New York University（纽约大学）

Patch Policy: Efficient Embodied Control via Dense Visual Representations

补丁策略：通过密集视觉表示实现高效具身控制

Gaoyue Zhou, Zichen Jeff Cui, Ada Langford, Bowen Tan, Yann LeCun, Lerrel Pinto

机构 * Courant Institute, New York University（纽约大学柯朗数学科学研究所） ； Meta-FAIR（Meta FAIR） ； AMI Labs（AMI 实验室） 纠错

AI总结 研究利用预训练密集视觉特征，提出补丁策略，通过块因果注意力掩码等实现高效具身控制。该策略轻量级、快速且高效，在模拟和真实环境中相比其他策略有显著提升，为机器人社区利用视觉表示学习提供新途径。

Learning Adaptive Safety Margins for Visual Navigation

学习用于视觉导航的自适应安全裕度

Junyi Hu, Shuaihang Yuan, Geeta Chandra Raju Bethala, Anthony Tzes, Yi Fang

机构 * New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 研究针对室内机器人视觉导航中安全裕度校准问题，提出上下文条件安全评论家方法，通过分解的三个互补项学习自适应间隙偏好排序扩散提议，经训练和提炼后在导航任务中表现出色，还能转移到人形机器人。

CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models

CoEvoP&R：通过大语言模型与路由反馈共同进化布局目标

Ruogu Chen, Weihua Xiao, Ramesh Karri, Jie Han

机构 * University of Alberta（阿尔伯塔大学） ； New York University（纽约大学） 纠错

AI总结 研究针对分析布局器替代指标与下游质量不一致问题，提出基于大语言模型的CoEvoP&R框架自动进化布局目标，经实验验证该方法能有效降低线长、拥塞及时序负松弛，提升布局效果。

Comments 7 pages, 4 figures, 3 tables. Corresponding author: Weihua Xiao