高校专区
行星环境安全导航下考虑不确定性的风险感知动力学运动规划
机构 * Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 针对自主空间探索中环境交互与感知系统的不确定性导致的安全规划问题，提出结合AO-RRT采样规划与序列凸规划的风险感知动力学运动规划方法，可将轨迹风险降低约97%。
Comments 3 pages, 4 figures
BooST：桥接语义与运动以实现高效的技能迁移
机构 * Seoul National University（首尔大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 BooST是桥接语义与运动的两阶段框架，通过跨模态VQ-VAE生成统一技能表示并蒸馏为轻量级策略，在仿真与真实机器人场景下实现了更优的少样本适配、跨领域技能迁移及鲁棒性。
Comments Project page: https://boost-robots.github.io/
基于连续敏感属性的公平表示学习的联合分布路径
机构 * Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究提出一种无需条件分布的联合分布路径，以 HSIC 为实例实现公平表示学习，其收敛速度优于条件路径方法，对应算法 FRHSIC 能在保持公平性-准确性权衡的同时缩短训练时间。
权衡 proximity 与安全：人群中跟随目标行人的约束分解方法
机构 * University of Pennsylvania（宾夕法尼亚大学） ； University of California, Riverside（加州大学河滨分校） ； Stanford University（斯坦福大学） ； NVIDIA Research（英伟达研究院） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 该研究针对人群中行人跟随的 proximity 与安全平衡问题，提出多约束强化学习框架，量化行人运动不确定性以增强安全性，经实验和真实机器人部署验证了方法的有效性。
Comments IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026); Project Website: https://nav-ps-balance.github.io/
面向3D脑部MRI运动伪影去除的感知运动伪影的自监督表示学习
机构 * The University of Chicago（芝加哥大学） ； Emory University（埃默里大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Memorial Sloan Kettering Cancer Center（纪念斯隆凯特琳癌症中心）
AI总结 提出SSRL-MAR自监督框架，无需配对数据或运动标签，在模拟和活体数据集上实现3D脑部MRI运动伪影去除，性能接近理想监督模型，可提升神经解剖学一致性。
AgForce 使生成抗体设计具备抗原条件
机构 * Georgia State University（佐治亚州立大学） ； Georgia Institute of Technology（佐治亚理工学院）
AI总结 本文提出AgForce方法，通过图神经网络和改进的解码器设计，解决传统抗体设计方法中对抗原输入忽略的问题，提升了抗体序列生成的质量和恢复能力。
ConTact: 通过显式界面推理进行接触优先的抗体CDR设计
机构 * Georgia State University, Atlanta, USA（佐治亚州立大学） ； Georgia Institute of Technology, Atlanta, USA（佐治亚理工学院） ； DePauw University, Indiana, USA（德保罗大学） ； University of Engineering（工程大学）
AI总结 本文提出ConTact，一种通过显式界面推理进行抗体CDR设计的方法，通过显式分解CDR设计为三个阶段：学习表面互补性指纹、预测CDR-抗原接触以及注入接触门控抗原特征，从而提高结构质量和表位意识。
过度自信且忽视细节：通过归纳偏好学习修复提示不敏感
机构 * Georgia Institute of Technology（佐治亚理工学院） ； Northeastern University（东北大学） ； Uniphore（Uniphore公司）
AI总结 本文提出归纳偏好学习方法，通过优化归纳策略提升模型对罕见提示的敏感度，显著提高在VLMBias和Inverse-IFEval基准测试中的性能。
Comments 26 pages, 15 tables, 3 figures
TimePre: 联合精度、效率与稳定性在概率时间序列预测中的应用
机构 * Tohoku University（东京大学） ； WPI ； Texas A&M University（德克萨斯大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） ； UIUC（伊利诺伊大学香槟分校） ； Georgia Tech（佐治亚理工学院） ； MIT（麻省理工学院） ； University of Southern California（南加州大学） ； San Diego State University（圣地亚哥州立大学）
AI总结 TimePre结合MLP模型的高效性与MCL方法的分布灵活性，通过SIN层解决精度、效率与稳定性之间的平衡问题，实现在概率时间序列预测中的高精度与高速度。
Comments 25 pages, 6 figures, 16 tables
多玩家纳什偏好优化
机构 * Stanford University（斯坦福大学） ； Georgia Institute of Technology（佐治亚理工学院） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本理化学研究所智能系统研究中心） ； Pennsylvania State University（宾夕法尼亚州立大学） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Harvard University（哈佛大学） ； UNC–Chapel Hill（北卡罗来纳大学教堂山分校）
AI总结 本文提出多玩家纳什偏好优化框架，扩展了传统的两玩家纳什对齐方法，通过引入多玩家博弈机制，提升对复杂非传递性人类偏好的对齐能力，并在多个基准测试中表现更优。
Journal ref ICLR 2026 Oral
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈