Georgia Institute of Technology（佐治亚理工学院）

Risk-Aware Kinodynamic Motion Planning Under Uncertainty For Safe Navigation on Planetary Environments

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

Sachin Sunil Kelkar, Tanmay Dokania, Yashwanth Kumar Nakka

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） 纠错

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: Bridging Semantics and Motions for Efficient Skill Transfer

BooST：桥接语义与运动以实现高效的技能迁移

Jusuk Lee, Daesol Cho, Jonghun Shin, Seungyeon Yoo, Jonghae Park, Taekbeom Lee, H. Jin Kim

机构 * Seoul National University（首尔大学） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

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/

A Joint-Distribution Route to Fair Representations with Continuous Sensitive Attributes

基于连续敏感属性的公平表示学习的联合分布路径

Yijin Ni, Xiaoming Huo

机构 * Georgia Institute of Technology（佐治亚理工学院） 纠错

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。

Navigating the Proximity-Safety Balance: Constraint Decomposition for Human Following in Pedestrian Crowds

权衡 proximity 与安全：人群中跟随目标行人的约束分解方法

Shiting Gong, Jianpeng Yao, Jinfeng Wang, Marco Pavone, Jiachen Li

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） 纠错

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/

Motion Artifact-Aware Self-Supervised Representation Learning for 3D Brain MRI Motion Artifact Reduction

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

Mojtaba Safari, Shansong Wang, Zach Eidex, Matthew Goette, Tonghe Wang, Zhen Tian, Xiaofeng Yang

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） 纠错

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。