California Institute of Technology（加州理工学院）

Gaussian process policy iteration with additive Schwarz acceleration for forward and inverse HJB and mean field game problems

基于高斯过程策略迭代与加性Schwarz加速的正向和逆向HJB及平均场博弈问题

Xianjin Yang, Jingguo Zhang

机构 * Department of Computing and Mathematical Sciences, California Institute of Technology, CA, USA（计算与数学科学系，加州理工学院，CA，美国） ； Department of Mathematics and Risk Management Institute, National University of Singapore, Singapore（数学与风险管理研究所，新加坡国立大学，新加坡） 纠错

AI总结 提出高斯过程策略迭代框架，通过线性PDE配位约束和Legendre变换求解HJB方程和平均场博弈的正向与逆向问题，并利用加性Schwarz加速提高收敛效率。

SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics

SHIELD: 基于学习动力学期望的控制障碍函数实现人形机器人安全

Lizhi Yang, Blake Werner, Ryan K. Cosner, David Fridovich-Keil, Preston Culbertson, Aaron D. Ames

机构 * Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系） ； Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

AI总结 提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。

Comments Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Copyright transferred to IEEE. Video at https://youtu.be/-Qv1wR4jfj4

Bracing for Impact: Robust Humanoid Push Recovery and Locomotion with Reduced Order Models

冲击准备：基于简化模型的人形机器人稳健推倒恢复与行走

Lizhi Yang, Blake Werner, Adrian B. Ghansah, Aaron D. Ames

机构 * AMBER Lab at the Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系AMBER实验室，加州理工学院） 纠错

AI总结 提出统一框架，结合单刚体模型预测控制与混合线性倒立摆动力学，利用环境（如墙壁）和手臂支撑实现人形机器人动态行走中的推倒恢复，在高达0.5m/s行走速度下抵抗100N持续0.2s的推力。

Comments Accepted to the 2025 IEEE-RAS 24th International Conference on Humanoid Robots (Humanoids 2025). Copyright transferred to IEEE

Dynamic Black-hole Emission Tomography with Physics-informed Neural Fields

基于物理信息神经场的动态黑洞发射断层成像

Berthy T. Feng, Andrew A. Chael, David Bromley, Aviad Levis, William T. Freeman, Katherine L. Bouman

机构 * Caltech（加州理工学院） ； MIT（麻省理工学院） ； NSF IAIFI（国家科学基金会IAIFI） ； Princeton University（普林斯顿大学） ； Niels Bohr International Academy（尼尔斯·玻尔国际学院） ； University of Toronto（多伦多大学） 纠错

AI总结 提出PI-DEF方法，利用可微神经渲染从EHT测量数据中联合重建4D发射率场和3D速度场，以软约束方式引入物理信息，在模拟数据上显著优于现有方法。

Comments CVPR 2026

Non-Equilibrium MAV-Capture-MAV via Time-Optimal Planning and Reinforcement Learning

非平衡MAV捕获MAV：基于时间最优规划和强化学习

Canlun Zheng, Zhanyu Guo, Zikang Yin, Chunyu Wang, Zhikun Wang, Shiyu Zhao

机构 * College of Computer Science and Technology, Zhejiang University, Hangzhou, China（浙江大学计算机科学与技术学院，中国杭州） ； WINDY Lab, Department of Artificial Intelligence, Westlake University, Hangzhou, China（西湖大学人工智能系WINDY实验室，中国杭州） ； Department of Electrical Engineering, California Institute of Technology, Pasadena, USA（加州理工学院电气工程系，美国帕萨迪纳） 纠错

AI总结 针对高机动性目标捕获难题，本文设计紧凑型捕获MAV，结合时间最优规划与强化学习方法，在非稳定状态下实现目标捕获。

HANDOFF: Humanoid Agentic Task-Space Whole-Body Control via Distilled Complementary Teachers

HANDOFF: 通过蒸馏互补教师实现人形机器人任务空间全身控制

Lizhi Yang, Junheng Li, Nehar Poddar, Yiling Hou, Gio Huh, Robert Griffin, Georgia Gkioxari, Aaron Ames

机构 * California Institute of Technology（加州理工学院） ； The Institute for Human & Machine Cognition（人机认知研究院） 纠错

AI总结 提出HANDOFF框架，通过多教师KL蒸馏和上下文门控机制，将全身运动跟踪、行走和跌倒恢复三个专家策略融合为混合专家学生策略，实现基于紧凑显式接口的全身控制，在Unitree G1上达到先进的速度跟踪性能并扩展了操作工作空间。

Comments 22 pages, 9 figures, Project page: https://lzyang2000.github.io/HANDOFF/

Pruning Deep Neural Networks via the Marchenko--Pastur Distribution

通过Marchenko-Pastur分布剪枝深度神经网络

Leonid Berlyand, Theo Bourdais, Houman Owhadi, Yitzchak Shmalo

机构 * Department of Mathematics, Pennsylvania State University（数学系，宾夕法尼亚州立大学） ； Department of Computing and Mathematical Sciences, California Institute of Technology（计算与数学科学系，加州理工学院） 纠错

AI总结 提出基于Marchenko-Pastur随机矩阵理论的剪枝方法，在极短微调预算下保持精度，并在ImageNet-1k上验证了多种架构的高效稀疏执行加速。