ETH Zurich（苏黎世联邦理工学院）

Collaborative Task and Path Planning for Heterogeneous Robotic Teams using Multi-Agent PPO

异构机器人团队协同任务与路径规划的多智能体PPO方法

Matthias Rubio, Julia Richter, Hendrik Kolvenbach, Marco Hutter

机构 * Robotic Systems Lab (RSL), ETH Zürich（苏黎世联邦理工学院机器人系统实验室（RSL）） 纠错

AI总结 本文提出基于多智能体PPO的协同规划策略，用于解决复杂的目标分配与调度问题，通过对比穷举搜索得到的单目标最优解，评估其在行星探索场景中的在线重规划能力。

Comments 8 pages, 3 figures, associated code on https://github.com/leggedrobotics/multi_robot_global_planner

Fair Indivisible Payoffs through Shapley Value

通过夏普利值实现公平的不可分割支付

Mikołaj Czarnecki, Michał Korniak, Oskar Skibski, Piotr Skowron

机构 * University of Warsaw（华沙大学） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种公平分配不可分割物品的方法，通过定义不可分割夏普利值，研究其性质，并通过三个案例研究验证其有效性。

Demystifying Chains, Trees, and Graphs of Thoughts

解开思维链、树和图的谜团

Maciej Besta, Florim Memedi, Zhenyu Zhang, Robert Gerstenberger, Guangyuan Piao, Nils Blach, Piotr Nyczyk, Marcin Copik, Grzegorz Kwaśniewski, Jürgen Müller, Lukas Gianinazzi, Ales Kubicek, Hubert Niewiadomski, Aidan O'Mahony, Onur Mutlu, Torsten Hoefler

机构 * ETH Zurich（苏黎世联邦理工学院） ； Dell（戴尔） ； Cledar ； BASF SE（巴斯夫欧洲公司） 纠错

AI总结 本文通过分析提示执行流程，构建了首个结构增强的大语言模型推理方案分类法，揭示了不同结构对推理性能和成本的影响，并探讨了提示工程与语言模型生态系统的理论基础。

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, Volume 47, Issue 12, pages 10967-10989 (December 2025)

Vocal Prognostic Digital Biomarkers in Monitoring Chronic Heart Failure: A Longitudinal Observational Study

慢性心力衰竭监测中的声音预测数字生物标志物：一项纵向观察研究

Fan Wu, Matthias P. Nägele, Daryush D. Mehta, Elgar Fleisch, Frank Ruschitzka, Andreas J. Flammer, Filipe Barata

机构 * Centre for Digital Health Interventions, ETH Zurich（苏黎世联邦理工学院数字健康干预中心） ； Agentic System Lab, ETH Zurich（苏黎世联邦理工学院代理系统实验室） ； Cardiology, University Heart Center Zurich, University Hospital Zurich（苏黎世大学医院心脏中心心脏病学） ； Center for Laryngeal Surgery and Voice Rehabilitation, Massachusetts General Hospital（麻省总医院喉外科与嗓音康复中心） ； Department of Surgery, Harvard Medical School（哈佛医学院外科学系） ； Speech and Hearing Bioscience and Technology, Division of Medical Sciences, Harvard Medical School（哈佛医学院医学科学部言语与听觉生物科学与技术） ； MGH Institute of Health Professions（麻省总医院健康职业学院） ； Centre for Digital Health Interventions, University of St. Gallen（圣加仑大学数字健康干预中心） 纠错

AI总结 本研究通过分析声音特征，探讨其在预测慢性心力衰竭患者健康恶化的潜力，发现声音特征在预测健康状况方面具有较高准确性。