机器人 / 具身智能

NPU Offloading of a Frozen Visual Encoder for Robot Policy Training

用于机器人策略训练的冻结视觉编码器的NPU卸载

Hyojun Yun, Seungjae Won, Hyungpil Moon

机构 * Sungkyunkwan University（成均馆大学） 纠错

专题命中 机器人学习 ：robot policy(title,abstract)；分类 cs.RO、cs.LG

AI总结 本文探究冻结视觉编码器的NPU卸载对机器人策略训练的影响，构建异步训练流水线，实验发现该方法可降低训练能耗，但会增加训练时间、降低策略成功率。

Comments 6 pages, 4 figures, 4 tables

Seeing the Bigger Picture: 3D Latent Mapping for Mobile Manipulation Policy Learning

看见更大的图景：用于移动操作策略学习的3D潜在映射

Sunghwan Kim, Woojeh Chung, Zhirui Dai, Dwait Bhatt, Arth Shukla, Hao Su, Yulun Tian, Nikolay Atanasov

专题命中 机器人学习 ：manipulation(title,abstract)；分类 cs.RO

AI总结 本文提出SBP方法，通过3D潜在映射提升移动操作策略的学习性能，实现更强的空间和时间推理能力。

Comments ICRA 2026, project page: this https URL (https://existentialrobotics.org/sbp_page/)

Max-Q Selective Imitation for Human-in-the-Loop Online Robot Learning

面向人在回路在线机器人学习的Max-Q选择性模仿

Zihang Wang, Yishan Wang

专题命中 机器人学习 ：robot learning(title)；分类 cs.RO、cs.AI

AI总结 本文提出Max-Q选择性模仿方法，结合MC Q-chunk评论家，在真实机器人USB抓取插入等任务中，训练效率显著优于HIL-SERL等基线方法。

ODEWorld: A Continuous Predictive Architecture via Physical-Time Flow

ODEWorld：一种基于物理时间流的连续预测架构

Dongxiu Liu, Haoyi Niu, Peng Cheng, Yuan Gao, Xirui Kang, Sangli Teng, Koushil Sreenath, Xianyuan Zhan

机构 * Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR）） ； Berkeley Artificial Intelligence Research (BAIR), University of California, Berkeley（加州大学伯克利分校伯克利人工智能研究院（BAIR）） 纠错

专题命中 机器人学习 ：world model(abstract)；robotic(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结 研究针对现有世界建模机器学习范式局限于离散时间预测的问题，提出基于PT-Flow的连续时间潜在世界模型ODEWorld，解决表示崩溃问题，在视频生成和机器人控制任务中表现出色。

EgoTac: In-the-wild Tactile Prediction from Egocentric Vision

EgoTac：从第一视角视觉实现野外环境下的触觉预测

Wenkang Zhang, Chengbo Yuan, Zicheng Zhang, Zhengxue Cheng, Yang Gao

机构 * Shanghai Qi Zhi Institute（上海期智研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） 纠错

专题命中 机器人学习 ：robot learning(abstract)；manipulation(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出EgoTac模型，利用超570万组图像-触觉对训练，可从第一视角视觉预测触觉，在域内及域外测试中性能优于现有方法，能为机器人学习提供触觉先验。

Co-design of Neural and Muscle Network based on Embodied Perceptron Representation

基于具身感知机表示的神经网络与肌肉网络协同设计

Siyuan Tao, Yoichi Masuda, Hiroyuki Nabae, Masato Ishikawa

机构 * The University of Osaka（大阪大学） ； Institute of Science Tokyo（东京科学大学） 纠错

专题命中 机器人学习 ：robotics(abstract)；embodied AI(abstract)；分类 cs.RO

AI总结 本文提出具身感知机框架，将躯体建模为感知机，通过协同优化肌肉骨骼机器人的控制策略与肌肉配置，实现具身智能，兼具稳定性、高学习效率与小模型规模，为具身AI系统设计提供新路径。

Comments 10 pages, 7 figures, 2026 IEEE/SICE International Symposium on System Integration (SII)