Carnegie Mellon University（卡内基梅隆大学）

ManipulationNet: An Infrastructure for Benchmarking Real-World Robot Manipulation with Physical Skill Challenges and Embodied Multimodal Reasoning

ManipulationNet: 一个用于基于现实世界机器人操作的基准测试基础设施，包含物理技能挑战和具身多模态推理

Yiting Chen, Kenneth Kimble, Edward H. Adelson, Tamim Asfour, Podshara Chanrungmaneekul, Sachin Chitta, Yash Chitambar, Ziyang Chen, Ken Goldberg, Danica Kragic, Hui Li, Xiang Li, Yunzhu Li, Aaron Prather, Nancy Pollard, Maximo A. Roa-Garzon, Robert Seney, Shuo Sha, Shihefeng Wang, Yu Xiang, Kaifeng Zhang, Yuke Zhu, Kaiyu Hang

机构 * Rice University（里士大学） ； U.S. National Institute of Standards and Technology（美国国家标准与技术研究院） ； Massachusetts Institute of Technology（麻省理工学院） ； Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学） ； Autodesk Research（Autodesk研究） ； University of California, Berkeley（加州大学伯克利分校） ； KTH Royal Institute of Technology（皇家理工学院） ； Tsinghua University（清华大学） ； Columbia University（哥伦比亚大学） ； ASTM International（美国材料与试验协会） ； Carnegie Mellon University（卡内基梅隆大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 ManipulationNet通过标准化硬件和统一软件客户端，为机器人操作提供现实世界基准测试，促进物理技能和具身推理能力的系统性发展。

Comments 32 pages, 8 figures

Learning Hip Exoskeleton Control Policy via Predictive Neuromusculoskeletal Simulation

通过预测神经肌肉骨骼模拟学习髋部外骨骼控制策略

Ilseung Park, Changseob Song, Inseung Kang

机构 * Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本文提出基于物理的神经肌肉骨骼模拟方法，通过仿真训练髋部外骨骼控制策略并部署到硬件，有效减少实验负担，提升控制器的适应性和实用性。

Cognition to Control - Multi-Agent Learning for Human-Humanoid Collaborative Transport

认知到控制 - 多智能体学习用于人-仿人协作运输

Hao Zhang, Ding Zhao, H. Eric Tseng

机构 * Department of Electrical Engineering, the University of Texas at Arlington（电气工程系，德克萨斯大学阿灵顿分校） ； Department of Mechanical Engineering, Carnegie Mellon University（机械工程系，卡内基梅隆大学） 纠错

AI总结 本研究提出认知到控制框架，通过多智能体强化学习实现人-仿人协作运输中的持续推理与稳定控制。

Soft Semi-active Back Support Device with Adaptive Force Profiles using Variable-elastic Actuation and Weight Feedback

具有自适应力分布的软半主动背支撑装置使用可变弹性作动和重量反馈

Rohan Khatavkar, The Bach Nguyen, Inseung Kang, Hyunglae Lee, Jiefeng Sun

机构 * Arizona State University（亚利桑那州立大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本研究提出了一种软半主动背支撑装置，结合可变刚度被动元件和人工肌肉，通过重量反馈实现自适应力分布，减少背部肌肉活动。

Comments 17 pages, 18 figures

CONCUR: Benchmarking LLMs for Concurrent Code Generation

CONCUR: 评估LLM在并发代码生成中的基准测试

Jue Huang, Tarek Mahmud, Corina Pasareanu, Guowei Yang

机构 * The University of Queensland（昆士兰大学） ； Texas A&M University - Kingsville（德克萨斯农工大学-国王维尔分校） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 CONCUR是一个专门评估LLM在并发代码生成能力的基准测试，包含115个问题，涵盖基础和变体，用于评估LLM在并发编程中的性能。

Aerial Manipulation with Contact-Aware Onboard Perception and Hybrid Control

具备接触感知的机载感知与混合控制的空中操作

Yuanzhu Zhan, Yufei Jiang, Muqing Cao, Junyi Geng

机构 * Department of Aerospace Engineering, Pennsylvania State University（宾夕法尼亚州立大学航空航天工程系） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 本文提出了一种无需外部运动捕捉的机载感知与混合控制方法，实现了接触丰富任务的精准运动跟踪和稳定接触力控制。

Comments 8 pages, 7 figures. Accepted by ICRA 2026

Agent Data Protocol: Unifying Datasets for Diverse, Effective Fine-tuning of LLM Agents

代理数据协议：统一多样化、高效的LLM代理微调数据集

Yueqi Song, Ketan Ramaneti, Zaid Sheikh, Ziru Chen, Boyu Gou, Tianbao Xie, Yiheng Xu, Danyang Zhang, Apurva Gandhi, Fan Yang, Joseph Liu, Tianyue Ou, Zhihao Yuan, Frank Xu, Shuyan Zhou, Xingyao Wang, Xiang Yue, Tao Yu, Huan Sun, Yu Su, Graham Neubig

机构 * Carnegie Mellon University（卡内基梅隆大学） ； The Ohio State University（俄亥俄州立大学） ； University of Hong Kong（香港大学） ； Duke University（杜克大学） ； Fujitsu Research（富士通研究） ； All Hands AI（全手AI） 纠错

AI总结 本文提出代理数据协议（ADP），通过统一多样化代理训练数据集，提升LLM代理微调效果，实现20%的性能提升并在多个基准上达到SOTA水平。

UMA: A Family of Universal Models for Atoms

UMA：用于原子的通用模型家族

Brandon M. Wood, Misko Dzamba, Xiang Fu, Meng Gao, Muhammed Shuaibi, Luis Barroso-Luque, Kareem Abdelmaqsoud, Vahe Gharakhanyan, John R. Kitchin, Daniel S. Levine, Kyle Michel, Anuroop Sriram, Taco Cohen, Abhishek Das, Ammar Rizvi, Sushree Jagriti Sahoo, Zachary W. Ulissi, C. Lawrence Zitnick

机构 * FAIR at Meta（Meta 的 FAIR 研究组） ； Department of Chemical Engineering, Carnegie Mellon University（卡内基梅隆大学化学工程系） 纠错

AI总结 UMA模型通过大规模训练和创新架构，在原子模拟中实现高速度、高精度和广泛泛化能力，单模型可媲美专门化模型。

Comments 33 pages, 8 figures

Context Biasing for Pronunciation-Orthography Mismatch in Automatic Speech Recognition

上下文偏差用于自动语音识别中的发音-正字法不匹配

Christian Huber, Alexander Waibel

机构 * Interactive Systems Lab, Karlsruhe Institute of Technology, Karlsruhe, Germany（卡尔斯鲁厄技术大学交互系统实验室） ； Interactive Systems Lab, Carnegie Mellon University, Pittsburgh PA, USA（卡内基梅隆大学交互系统实验室） 纠错

AI总结 本文提出了一种通过修正替换错误来提高自动语音识别中发音-正字法不匹配问题的识别准确率的方法。

Automated Concept Discovery for LLM-as-a-Judge Preference Analysis

用于LLM-as-a-Judge偏好分析的自动化概念发现

James Wedgwood, Chhavi Yadav, Virginia Smith

机构 * Department of Computer Science（计算机科学系） ； Carnegie-Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出了一种自动化方法，用于发现LLM判断偏好的驱动因素，通过比较不同概念提取方法，验证了LLM在敏感请求上的偏好，并揭示了新的趋势。

Safety Guardrails for LLM-Enabled Robots

LLM赋能机器人中的安全护栏

Zachary Ravichandran, Alexander Robey, Vijay Kumar, George J. Pappas, Hamed Hassani

机构 * University of Pennsylvania（宾夕法尼亚大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 RoboGuard通过两阶段护栏架构，利用根信任LLM和链式推理生成上下文安全规范，有效降低LLM赋能机器人在对抗攻击下的不安全计划执行率，提升系统安全性与可靠性。

Graph Neural Networks in EEG-based Emotion Recognition: A Survey

基于EEG的情感识别中的图神经网络：综述

Chenyu Liu, Yuqiu Deng, Yihao Wu, Ruizhi Yang, Zhongruo Wang, Liangwei Zhang, Siyun Chen, Tianyi Zhang, Yang Liu, Yi Ding, Liming Zhai, Ziyu Jia, Xinliang Zhou

机构 * Nanyang Technological University, Singapore（南洋理工大学） ； Xi’an Jiaotong University, Xi’an, China（西安交通大学） ； Imperial College London, London, UK（伦敦帝国理工学院） ； Amazon, Seattle, WA, USA（亚马逊） ； Carnegie Mellon University, Pittsburgh, PA, USA（卡内基梅隆大学） ； Uber Technologies, Inc., USA（Uber Technologies, Inc.） ； School of Computer Science, Central China Normal University, Wuhan, China（中央财经大学计算机学院） ； Institute of Automation, Chinese Academy of Sciences, Beijing, China（中国科学院自动化研究所） 纠错

AI总结 本文综述了基于EEG的情感识别中图神经网络的应用，分析了现有方法的共性与差异，并探讨了未来研究方向。

Comments The 30th Pacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD 2026)