University of Michigan（密歇根大学安娜堡分校）

When Search Becomes Memory: Turning Robot Design Trials into Transferable Skills

当搜索成为记忆：将机器人设计试验转化为可迁移技能

Yunfei Wang, Xiaohao Xu, Yang Li, Xiaonan Huang

机构 * University of Michigan（密歇根大学） 纠错

AI总结 提出Auto-Robotist，一种自进化LLM代理，通过将形态搜索轨迹提炼为自然语言技能库，实现可迁移的机器人设计知识，在EvoGym任务中提升冷启动搜索并跨设计空间迁移技能。

Comments 20 pages, 8 figures

A Formal gatekeeper Framework for Safe Dual Control with Active Exploration

具有主动探索的安全双重控制的正式门控框架

Kaleb Ben Naveed, Devansh R. Agrawal, Dimitra Panagou

机构 * Department of Robotics, University of Michigan（密歇根大学机器人系） ； Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） 纠错

AI总结 提出一个集成鲁棒规划与主动探索的框架，通过门控机制仅在可验证改进且不牺牲安全时进行探索，实现安全与不确定性降低的平衡。

Comments Accepted at American Control Conference (ACC) 2026

High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications

面向机器学习应用的全尺寸压水堆流场高保真建模

Logan A. Burnett, Hyungjun Kim, Hsien-Cheng Chou, Arsha Witoelar, Robert A. Brewster, Benoit Forget, Emilio Baglietto, Majdi I. Radaideh

机构 * Department of Nuclear Engineering and Radiological Sciences, University of Michigan（密歇根大学核工程与辐射科学系） ； Department of Nuclear Science and Engineering, Massachusetts Institute of Technology（麻省理工学院核科学与工程系） ； Korea Atomic Energy Research Institute（韩国原子能研究所） ； Department of Mechanical Engineering, University of Michigan（密歇根大学机械工程系） ； Department of Computer Science and Engineering, University of Michigan（密歇根大学计算机科学与工程系） 纠错

AI总结 本研究利用高保真CFD模拟和机器学习模型，对四环路压水堆组件级流场进行表征，揭示了冷腿旋流和下腔室输运导致的入口流量分布不均匀性，并验证了ConvLSTM等空间感知架构在流场重建与预测中的优越性。

Comments 30 pages, 10 figures, and 6 Tables

Hybrid Synthetic Data Generation with Domain Randomization Enables Zero-Shot Vision-Based Part Inspection Under Extreme Class Imbalance

混合合成数据生成与域随机化实现极端类别不平衡下基于视觉的零样本零件检测

Ruo-Syuan Mei, Sixian Jia, Guangze Li, Soo Yeon Lee, Brian Musser, William Keller, Sreten Zakula, Jorge Arinez, Chenhui Shao

机构 * Department of Mechanical Engineering, University of Michigan, Ann Arbor, MI 48109, USA ； Materials \& Manufacturing Systems Research Lab, General Motors, Warren, MI 48092, USA 纠错

AI总结 提出一种结合仿真渲染、域随机化和真实背景合成的混合合成数据生成框架，仅用合成数据训练YOLOv8n和MobileNetV3-small模型，在极端类别不平衡下实现零样本工业零件检测，检测mAP@0.5达0.995，分类准确率96%，平衡准确率90.1%。

Comments Submitted to the NAMRC 54

SEAL: Synergistic Co-Evolution of Agents and Learning Environments

SEAL: 智能体与学习环境的协同共演化

Yihao Hu, Zhihao Wen, Xiujin Liu, Pan Wang, Xin Zhang, Wei Wu

机构 * Ant Group（蚂蚁集团） ； Westlake University（西湖大学） ； University of Michigan--Ann Arbor（密歇根大学安娜堡分校） ； University of Science and Technology of China（中国科学技术大学） 纠错

AI总结 提出SEAL框架，通过协同演化智能体策略与训练环境，解决智能体与环境错配问题，在低资源多轮工具使用任务中提升性能并实现正向分布外迁移。

EchoVQA: Enabling Conversational Assistance for Point-of-Care Cardiac Ultrasound

EchoVQA：为床旁心脏超声提供对话式辅助

Filippos Bellos, Yutong Li, Jessie N Dong, Zaiyang Guo, Emily Mackay, Yayuan Li, Yannis Avrithis, Alison Pouch, Jason J. Corso

机构 * University of Michigan（密歇根大学） ； University of Pennsylvania（宾夕法尼亚大学） ； Independent Scientist（独立科学家） 纠错

AI总结 针对床旁心脏超声图像获取与解读依赖专业知识的问题，提出首个大规模超声心动图VQA数据集EchoVQA（含14,299张图像和74,819个问答对），并开发基于多模态可学习提示的参数高效方法，在多数基准上达到最优性能。

SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills

SkillEvolBench：从情景经验到程序性技能的演化基准测试

Yingtie Lei, Zhongwei Wan, Jiankun Zhang, Samiul Alam, Zixuan Zhong, Peizhou Huang, Xin Wang, Jingxuan Zhang, Donghao Zhou, Yunta Hsieh, Zhihao Dou, Hui Shen, Yan Xu, Dimitrios Dimitriadis, Tuo Zhang, Mi Zhang

机构 * The Ohio State University（俄亥俄州立大学） ； The University of Chicago（芝加哥大学） ； University College London（伦敦大学学院） ； University of Michigan（密歇根大学） ； The Chinese University of Hong Kong（香港中文大学） ； Case Western Reserve University（凯斯西储大学） ； Amazon（亚马逊） 纠错

AI总结 提出SkillEvolBench基准，通过六个真实环境中的180个任务，评估大语言模型代理能否将情景经验提炼为可复用的程序性技能，发现当前代理难以形成稳健的技能，且原始轨迹复用优于蒸馏技能。

Towards Universal Convergence of Backward Error in Linear System Solvers

线性系统求解器中后向误差的通用收敛性

Michał Dereziński, Yuji Nakatsukasa, Elizaveta Rebrova

机构 * University of Michigan（密歇根大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学） 纠错

AI总结 本文证明经典Richardson迭代在半正定线性系统上具有与条件数无关的1/k后向误差收敛率，并基于Krylov子空间最小化后向误差提出MINBERR算法，实现O(n^2/√ε)复杂度。

Comments Added convergence analysis of MINBERR-NE for general linear systems (Theorems 5.1 and 5.3)