University of California, Berkeley（加州大学伯克利分校）

Remember to be Curious: Episodic Context and Persistent Worlds for 3D Exploration

记住保持好奇：用于3D探索的片段上下文和持久世界

Lily Goli, Justin Kerr, Daniele Reda, Alec Jacobson, Andrea Tagliasacchi, Angjoo Kanazawa

机构 * University of Toronto（多伦多大学） ； UC Berkeley（加州大学伯克利分校） ； Wayve ； Vector Institute（向量研究所） ； Simon Fraser University（西蒙 Fraser大学） 纠错

AI总结 本研究提出了一种基于好奇心驱动强化学习的方法，通过引入持久世界模型和片段上下文来解决3D环境中稀疏奖励长周期任务中的探索问题，实验表明该方法在HM3D数据集上优于基于强化学习的主动映射基线，并能泛化到Gibson和AI生成的世界。

Flying Together: Human-Guided Immersive Shared Control for Aerial Robot Teams in Unknown Environments

Flying Together: Human-Guided Immersive Shared Control for Aerial Robot Teams in Unknown Environments

Lou De Bel-Air, Luca Morando, Ruitao Chen, Keru Wang, Benjamin Jarvis, Charbel Toumieh, Yang Zhou, Ken Perlin, Dario Floreano, Giuseppe Loianno

机构 * New York University（纽约大学） ； Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出了一种基于虚拟现实的共享控制框架，用于在约束和未知环境中操作无人机团队，通过实时用户引导探索，提升在无结构环境中的自主导航能力。核心方法是一种基于用户引导的运动原语规划器，结合阻抗控制器，使操作员能够灵活影响团队行为并引导无人机前往自主规划器可能忽略的感兴趣区域。

Comments Accepted at IEEE International Conference in Robotics and Automation, Vienna 2026

Flat-Pack Bench: Evaluating Spatio-Temporal Understanding in Large Vision-Language Models through Furniture Assembly

Flat-Pack Bench: 通过家具组装评估大视觉-语言模型的时空理解

Aditya Chetan, Eric Cai, Peeyush Kushwaha, Bharath Raj Nagoor Kani, Utkarsh Mall, Qianqian Wang, Noah Snavely, Bharath Hariharan

机构 * Cornell University（康奈尔大学） ； Cornell Tech（康奈尔科技） ； MBZUAI（麦吉尔-伯克利-浙江大学人工智能研究院） ； UC Berkeley（伯克利大学） 纠错

AI总结 本文提出Flat-Pack Bench基准，用于评估大视觉-语言模型在复杂视频场景中的时空理解能力，发现当前模型在细粒度时空推理上存在显著不足。

Comments CVPR 2026

On Statistical Estimation of Edge-Reinforced Random Walks

关于边缘增强随机游走的统计估计

Qinghua, Ding, Venkat Anantharam

机构 * Department of Electrical Engineering and Computer Sciences（电气工程与计算机科学系） ； University of California at Berkeley（加州大学伯克利分校） 纠错

AI总结 本文研究了边缘增强随机游走初始边权重的统计估计问题，利用随机环境中的超几何高斯结构来分析估计器的样本复杂性。

Comments This is the full version of the conference paper in submission to ISIT 2025

Deep learning-based modularized loading protocol for parameter estimation of Bouc-Wen class models

基于深度学习的模块化加载协议用于Bouc-Wen类模型参数估计

Sebin Oh, Junho Song, Taeyong Kim

机构 * Department of Civil and Environmental Engineering, University of California, Berkeley, CA, United States（加州大学伯克利分校土木与环境工程系） ； Department of Civil Systems Engineering, Ajou University, Suwon, Republic of Korea（全州大学土木系统工程系） 纠错

AI总结 本文提出了一种基于深度学习的模块化加载协议，用于优化Bouc-Wen类模型的参数估计。该协议包含两个关键部分：最优加载历史构建和基于CNN的快速参数估计。每个部分被分解为独立的子模块，针对不同的滞回行为（基本滞回、结构退化和咬合效应），使协议能够适应多种滞回模型。三种独立的CNN架构被开发出来以捕捉这些滞回行为的路径依赖性。通过在多样化的加载历史上训练这些CNN架构，识别出最小的加载序列，称为加载历史模块，并将其组合以构建最优的加载历史。三种训练好的CNN模型用作快速参数估计器。协议的数值评估，包括三栋钢结构框架的非线性时间历史分析和三栋钢筋混凝土框架的脆弱性曲线构建，表明该协议显著减少了总分析时间，同时保持或提高了估计精度。该协议可扩展到其他滞回模型，表明了一种系统的方法来识别通用滞回模型。

Journal ref Engineering Structures 339, 120458 (2025)