Northeastern University（东北大学）

Learning Robust Execution in Robotic Manipulation with Agentic Reinforcement Learning

通过智能强化学习在机器人操作中学习鲁棒执行

Xiaopeng Zhang, Yueyang Weng, Qi Liu, Yongjin Mu, Yanjie Li

机构 * School of Inteligence Science and Engineering, the Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）智能科学与工程学院） ； Faculty of Robot Science and Engineering, Northeastern University（东北大学机器人科学与工程学院） 纠错

AI总结 针对机器人操作面临的挑战，提出用两个互补指标评估执行质量，构建智能强化学习框架，通过高级决策恢复有效执行，在LIBERO基准测试中提升了执行成功率，增强了执行鲁棒性。

Layered Risk Mapping for Autonomous Patient Transport in Expeditionary Medical Facilities

用于远征医疗设施中自主患者运输的分层风险映射

Lorena Maria Genua, Sarvesh Prajapati, Damla Leblebicioglu, Taşkın Padır

机构 * Institute for Experiential Robotics, Northeastern University（体验式机器人研究所，东北大学） 纠错

AI总结 针对远征医疗设施中自主患者运输面临的复杂导航挑战，提出分层风险映射框架，融合多种环境危害，经配对蒙特卡洛评估及实际验证，有效降低碰撞率、提高障碍物清除率，满足相关运营模式规划要求。

The Ghost Annotator: a Framework to Explore Human Label Variation in Content Moderation through Conformal Prediction

幽灵标注者：通过共形预测探索内容审核中人类标签变异的框架

Mirko Lai, Alessandra Urbinati, Simona Frenda, Fabiana Vernero, Marco Antonio Stranisci

机构 * Laboratory for the Modeling of Biological and Socio-technical Systems, Northeastern University（生物与社会技术系统建模实验室，东北大学） ； Heriot-Watt University（赫瑞-沃顿大学） ； aequa-tech ； Università del Piemonte Orientale（皮埃蒙特东方大学） ； Università degli Studi di Torino（托斯卡纳大学） 纠错

AI总结 提出结合共形预测与协同过滤式标注者表征的框架，通过幽灵预测度量和幽灵标注者表征量化模型预测与所有人类标注的分歧，并发现模型在标注者分歧时不确定性增加，但大型模型对无人类对齐文本更自信，且存在结构性人口统计偏差。

Comments The publishing of this preprint is contextual with the ACL ARR cycle system. After an encouraging review in January we revised and submit the paper on Arxiv. However, a new batch of reviewers raised additional issues that will lead to significant revisions of the experimental setting. Therefore, we decide to withdraw the manuscript

Track and Caption Any Motion: Open-Vocabulary Spatiotemporal Captioning via Trajectory-Conditioned Generation

跟踪并描述任何运动：通过轨迹条件生成实现开放词汇时空字幕

Bishoy Galoaa, Sarah Ostadabbas

机构 * Northeastern University（东北大学） 纠错

AI总结 研究提出TCAM框架，无需文本查询和区域提示，通过字幕感知重采样器在点粒度结合跟踪与语言，用现有分割注释训练，能描述视频中运动、定位时间及轨迹，优于密集视频字幕基线，匹配相关方法，为运动驱动视频理解提供新途径。