机器人 / 具身智能

Learning agile and dynamic motor skills for legged robots

Jemin Hwangbo, Joonho Lee, Alexey Dosovitskiy, Dario Bellicoso, Vassilios Tsounis, Vladlen Koltun, Marco Hutter

专题命中 机器人学习 ：robotics(abstract,journal_ref)；分类 cs.RO、cs.LG

Journal ref Science Robotics 4.26 (2019): eaau5872

Interpretable Latent Spaces for Learning from Demonstration

Yordan Hristov, Alex Lascarides, Subramanian Ramamoorthy

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

Comments 12 pages, 6 figures, accepted at the Conference on Robot Learning (CoRL) 2018, Zurich, Switzerland

Control with Patterns: A D-learning Method

基于模式的控制：一种D学习方法

Quan Quan, Kai-Yuan Cai, Chenyu Wang

机构 * Beihang University（北京航空航天大学） 纠错

专题命中 机器人学习 ：robotics(abstract)；robot learning(comments,journal_ref)；分类 cs.RO

AI总结 本文提出了一种基于模式的控制方法，利用D学习在无需系统动力学知识的情况下解决非线性动力系统稳定性问题，并通过模拟和实际飞行实验验证其有效性。

Comments Accepted for publication at 8th Conference on Robot Learning (CoRL), Munich, Germany. 2024

Journal ref In 8th Annual Conference on Robot Learning, Munich,2024:270

An Alignment-Based Approach to Learning Motions from Demonstrations

Alex Cuellar, Christopher K Fourie, Julie A Shah

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

专题命中 机器人学习 ：robot learning(abstract)；robotics(comments,journal_ref)；分类 cs.RO

Comments 8 pages, 8 figures, originally published in the IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 11, pp. 11912-11919, Nov. 2025

Learning for Deformable Linear Object Insertion Leveraging Flexibility Estimation from Visual Cues

Mingen Li, Changhyun Choi

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

Comments 7 pages, 9 figures, 3 tables. 2024 IEEE International Conference on Robotics and Automation (ICRA)

Journal ref 2024 IEEE International Conference on Robotics and Automation (ICRA), Yokohama, Japan, 2024, pp. 5183-5189

DRL-VO: Learning to Navigate Through Crowded Dynamic Scenes Using Velocity Obstacles

Zhanteng Xie, Philip Dames

专题命中 机器人学习 ：robot learning(abstract)；robotics(comments,journal_ref)；分类 cs.RO

Comments Accepted by IEEE Transactions on Robotics (T-RO), 2023

Journal ref IEEE Transactions on Robotics, vol. 39, no. 4, pp. 2700-2719, 2023

Deliberate Practice: Learning Robot Skills under a Budget

刻意练习：有限预算下的机器人技能学习

Shivam Vats, Sudarshan Harithas, Mete Tuluhan Akbulut, Arvind Raghunathan, George Konidaris

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

AI总结 研究有限预算下机器人序列任务技能学习问题，提出刻意练习算法，通过双线性规划计算预算最优分配，经仿真与真实实验验证可提升机器人长程规划能力。

Comments 16 pages including appendices

OLIVE: Online Low-Rank Incremental Learning for Efficient Adaptive Exoskeletons

OLIVE: 面向高效自适应外骨骼的在线低秩增量学习

Dong Liu, Yanxuan Yu, Ben Lengerich, Tong Geng, Ying Nian Wu

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； Rice University（里奇大学） 纠错

专题命中 机器人学习 ：navigation(abstract)；分类 cs.RO、cs.LG

AI总结 提出OLIVE框架，通过低秩残差分解和奖励驱动策略梯度实现外骨骼控制的在线个性化自适应，在多种地形上提升步态平滑度、降低努力并增强稳定性。

Comments Accepted to UbiComp / ISWC 2026

Weights or Skills? A Survey of Robot-Learning Techniques: from Action-Predicting Weights to Robots that Write their Own Skills

权重还是技能？机器人学习技术综述：从动作预测权重到自主编写技能的机器人

Gaytri Jena, Kapil Wanaskar, Vinija Jain, Aman Chadha, Vasu Sharma, Amitava Das

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

AI总结 本综述围绕机器人学习的“权重vs技能”轴，梳理两类技术的分类、自我提升机制与开放问题，考察77个代表性系统，为机器人学习领域提供分析框架。

Comments 40 pages, 11 figures, 11 tables

AnyBody: Free-Form Whole-Body Humanoid Control from Arbitrary Keypoint Guidance

AnyBody: 基于任意关键点引导的自由形态全身类人控制

Shuning Li, Sikai Li, Jiachen Li, Mingyu Ding

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

AI总结 提出AnyBody，一种统一全身类人控制器，通过任意身体关键点子集实现运动跟踪与控制，利用特权教师蒸馏和掩码自注意力关键点编码器，支持灵活的下游任务学习。

Learning New Tasks via Reusable Skills: Skill-Compositional Experts for Embodied Continual Learning

通过可复用技能学习新任务：面向具身持续学习的技能组合专家

Shuaike Zhang, Shaokun Wang, Haoyu Tang, Jianlong Wu, Liqiang Nie

机构 * Harbin Institute of Technology, Shenzhen（哈尔滨工业大学（深圳）） ； Shandong University（山东大学） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

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

AI总结 提出技能组合专家（SCE）框架，通过组合技能基础（CSG）分解演示为可复用技能，并利用双执行-转换专家（DETE）实现新任务学习，有效缓解具身持续学习中的灾难性遗忘。

Comments 13 pages, 5 figures

Sample from What You See: Visuomotor Policy Learning via Diffusion Bridge with Observation-Embedded Stochastic Differential Equation

从所见中采样：基于观测嵌入随机微分方程的扩散桥视觉运动策略学习

Zhaoyang Liu, Mokai Pan, Zhongyi Wang, Kaizhen Zhu, Haotao Lu, Haipeng Zhang, Jingya Wang, Ye Shi

机构 * University of Science and Technology of China（中国科学技术大学） 纠错

专题命中 机器人学习 ：robotic(abstract)；分类 cs.AI、cs.LG

AI总结 提出BridgePolicy，通过扩散桥公式将观测直接集成到随机动力学中，利用语义对齐器处理异构观测，在模拟和真实任务中超越现有生成式策略。

Comments Accepted by ICML 2026

Double Preconditioning (DoPr): Optimization for Test-Time Performance, not Validation Loss

双重预处理 (DoPr)：针对测试时性能而非验证损失的优化

Thomas T. Zhang, Alok Shah, Yifei Zhang, Vincent Zhang, Nikolai Matni, Max Simchowitz

机构 * University of California, Berkeley（加州大学伯克利分校） ； Stanford University（斯坦福大学） ； University of Cambridge（剑桥大学） ； DeepMind（深度Mind） ； Google Research（谷歌研究） 纠错

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

AI总结 提出双重预处理优化范式，通过结合梯度级和激活级预处理，缓解自回归语言建模等场景中训练/验证损失与下游指标不匹配的测试时反馈问题，提升测试时性能而不一定改善验证损失。

PerceptTwin: Semantic Scene Reconstruction for Iterative LLM Planning and Verification

PerceptTwin：面向迭代LLM规划与验证的语义场景重建

Charlie Gauthier, Sacha Morin, Liam Paull

机构 * Department of Computer Science and Operations Research, Université de Montréal（蒙特利尔大学计算机科学与运筹学系） ； Mila - Quebec AI Institute（魁北克人工智能研究所） ； CIFAR AI Chair（CIFAR人工智能主席） 纠错

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

AI总结 提出PerceptTwin自动管道，从机器人感知的语义场景表示构建交互式仿真，结合LLM法官验证规划正确性与人类偏好，提升规划成功率约39%。

Comments Accepted at ICRA 2026 (Vienna); published on arxiv for archival purposes. See also https://percept-twin.github.io/

Virtual-to-Real: Learning to Control in Visual Semantic Segmentation

虚拟到现实：学习在视觉语义分割中的控制

Zhang-Wei Hong, Chen Yu-Ming, Shih-Yang Su, Tzu-Yun Shann, Yi-Hsiang Chang, Hsuan-Kung Yang, Brian Hsi-Lin Ho, Chih-Chieh Tu, Yueh-Chuan Chang, Tsu-Ching Hsiao, Hsin-Wei Hsiao, Sih-Pin Lai, Chun-Yi Lee

机构 * Elsa Lab（Elsa实验室） ； Department of Computer Science（计算机科学系） ； National Tsing Hua University（国立清华大学） 纠错

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

AI总结 本文提出了一种模块化架构，通过将感知模块和控制策略模块结合，利用语义图像分割作为元表示，解决虚拟到现实的迁移问题，并在障碍避让和目标跟随任务中展示了优越的性能。

Comments 7 pages, accepted by IJCAI-18

Ada-Diffuser: Latent-Aware Adaptive Diffusion for Decision-Making

Ada-Diffuser: 面向决策制定的潜在意识自适应扩散模型

Fan Feng, Selena Ge, Minghao Fu, Zijian Li, Yujia Zheng, Zeyu Tang, Yingyao Hu, Biwei Huang, Kun Zhang

机构 * University of California San Diego（加州大学圣地亚哥分校） ； Carnegie Mellon University（卡内基梅隆大学） ； MBZUAI ； Stanford University（斯坦福大学） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

专题命中 机器人学习 ：robotic(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出Ada-Diffuser，通过显式建模潜在动态过程，提升决策制定的精度与适应性，实验验证其在模拟控制与机器人基准中的有效性。

Comments ICLR 2026

R3D: Revisiting 3D Policy Learning

R3D：重新审视3D策略学习

Zhengdong Hong, Shenrui Wu, Haozhe Cui, Boyi Zhao, Ran Ji, Yiyang He, Hangxing Zhang, Zundong Ke, Jun Wang, Guofeng Zhang, Jiayuan Gu

机构 * Zhejiang University（浙江大学） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 本文针对3D策略学习中的训练不稳定和过拟合问题，提出结合可扩展的Transformer3D编码器与扩散解码器的新架构，有效提升3D模仿学习的性能。

Continual Robot Skill and Task Learning via Dialogue

通过对话实现机器人持续技能和任务学习

Weiwei Gu, Suresh Kondepudi, Anmol Gupta, Lixiao Huang, Nakul Gopalan

机构 * Arizona State University（亚利桑那州立大学） 纠错

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

AI总结 本文提出通过对话交互实现机器人持续学习任务和视觉-运动技能，开发了ACT-LoRA政策在模拟中优于基线，且在真实场景中成功教授烹饪技能。

Draft-and-Target Sampling for Video Generation Policy

视频生成策略的草稿与目标采样

Qikang Zhang, Yingjie Lei, Wei Liu, Daochang Liu

机构 * South China Normal University（华南师范大学） ； University of Western Australia（西澳大学） 纠错

专题命中 机器人学习 ：robot policy(abstract)；分类 cs.AI、cs.CV

AI总结 本文提出一种无训练的扩散推理范式，通过自play去噪方法提升视频生成效率，实验表明在三个基准上实现2.1倍加速，同时保持高成功率。

Enhancing Goal Inference via Correction Timing

通过纠正时机增强目标推断

Anjiabei Wang, Shuangge Wang, Tesca Fitzgerald

机构 * Yale University（耶鲁大学） 纠错

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

AI总结 通过分析纠正时机，研究其在机器人学习中的应用，提升目标推断和任务约束学习效果。

Comments 25th International Conference on Autonomous Agents and Multiagent Systems (AAMAS)

Policy Learning with a Language Bottleneck

具有语言瓶颈的策略学习

Megha Srivastava, Cedric Colas, Dorsa Sadigh, Jacob Andreas

机构 * Stanford University（斯坦福大学） ； Massachusetts Institute of Technology（麻省理工学院） ； Inria（法国国家信息与自动化技术研究院） 纠错

专题命中 机器人学习 ：navigation(abstract)；分类 cs.AI、cs.LG

AI总结 通过语言瓶颈框架，AI代理能生成可解释的策略规则，提升与人类的协作效率。

Comments Accepted to TMLR (2026)

Adaptive Keyframe Selection for Scalable 3D Scene Reconstruction in Dynamic Environments

动态环境中可扩展3D场景重建的自适应关键帧选择

Raman Jha, Yang Zhou, Giuseppe Loianno

机构 * Department of Electrical and Computer Engineering, New York University, Brooklyn, NY 11201, USA（电气与计算机工程系，纽约大学，布鲁克林，NY 11201, USA） ； Department of Electrical Engineering and Computer Sciences, University of California, Berkeley, CA 94720, USA（电气工程与计算机科学系，加州大学伯克利分校，CA 94720, USA） 纠错

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

AI总结 本文提出自适应关键帧选择方法，通过动态调整阈值提升动态环境中3D场景重建质量，实验验证其在Spann3r和CUT3R网络中的有效性。

Comments Accepted at ROBOVIS 2026

A Robust Task-Level Control Architecture for Learned Dynamical Systems

Eshika Pathak, Ahmed Aboudonia, Sandeep Banik, Naira Hovakimyan

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

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

Generalizable Hierarchical Skill Learning via Object-Centric Representation

Haibo Zhao, Yu Qi, Boce Hu, Yizhe Zhu, Ziyan Chen, Heng Tian, Xupeng Zhu, Owen Howell, Haojie Huang, Robin Walters, Dian Wang, Robert Platt

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

Do You Know Where Your Camera Is? View-Invariant Policy Learning with Camera Conditioning

Tianchong Jiang, Jingtian Ji, Xiangshan Tan, Jiading Fang, Anand Bhattad, Vitor Guizilini, Matthew R. Walter

机构 * Toyota Technological Institute at Chicago（丰田技术研究所芝加哥分所） ； Waymo ； Johns Hopkins University（约翰霍普金斯大学） ； Toyota Research Institute（丰田研究院） 纠错

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

Comments Code and project materials are available at ripl.github.io/know_your_camera

LSD-3D: Large-Scale 3D Driving Scene Generation with Geometry Grounding

Julian Ost, Andrea Ramazzina, Amogh Joshi, Maximilian Bömer, Mario Bijelic, Felix Heide

机构 * Julian Ost（未知） ； Andrea Ramazzina（未知） ； Amogh Joshi（未知） ； Maximilian Bömer（未知） ； Mario Bijelic（未知） ； Felix Heide（未知） 纠错

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

Comments Project webpage: https://light.princeton.edu/LSD-3D

CARP: Visuomotor Policy Learning via Coarse-to-Fine Autoregressive Prediction

Zhefei Gong, Pengxiang Ding, Shangke Lyu, Siteng Huang, Mingyang Sun, Wei Zhao, Zhaoxin Fan, Donglin Wang

机构 * Westlake University（西湖大学） ； Zhejiang University（浙江大学） ； Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（北京未来区块链与隐私计算先进创新中心） 纠错

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

Constraint-Preserving Data Generation for Visuomotor Policy Learning

Kevin Lin, Varun Ragunath, Andrew McAlinden, Aaditya Prasad, Jimmy Wu, Yuke Zhu, Jeannette Bohg

机构 * Stanford University（斯坦福大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Princeton University（普林斯顿大学） 纠错

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

Comments CoRL 2025. Website: https://cp-gen.github.io

Contactless Precision Steering of Particles in a Fluid inside a Cube with Rotating Walls

Lucas Amoudruz, Petr Karnakov, Petros Koumoutsakos

机构 * Computational Science and Engineering Laboratory, Harvard University（计算科学与工程实验室，哈佛大学） 纠错

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

Journal ref J. Fluid Mech. 1014 (2025) A15

Active Fine-Tuning of Multi-Task Policies

Marco Bagatella, Jonas Hübotter, Georg Martius, Andreas Krause

机构 * Department of Computer Science, ETH Z\"urich, Z\"urich, Switzerland ； Max Planck Institute for Intelligent Systems, T\"ubingen, Germany ； University of T\"ubingen, T\"ubingen, Germany 纠错

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