University of Texas at Austin（得克萨斯大学奥斯汀分校）

ManipulationNet: An Infrastructure for Benchmarking Real-World Robot Manipulation with Physical Skill Challenges and Embodied Multimodal Reasoning

ManipulationNet: 一个用于基于现实世界机器人操作的基准测试基础设施，包含物理技能挑战和具身多模态推理

Yiting Chen, Kenneth Kimble, Edward H. Adelson, Tamim Asfour, Podshara Chanrungmaneekul, Sachin Chitta, Yash Chitambar, Ziyang Chen, Ken Goldberg, Danica Kragic, Hui Li, Xiang Li, Yunzhu Li, Aaron Prather, Nancy Pollard, Maximo A. Roa-Garzon, Robert Seney, Shuo Sha, Shihefeng Wang, Yu Xiang, Kaifeng Zhang, Yuke Zhu, Kaiyu Hang

机构 * Rice University（里士大学） ； U.S. National Institute of Standards and Technology（美国国家标准与技术研究院） ； Massachusetts Institute of Technology（麻省理工学院） ； Karlsruhe Institute of Technology（卡尔斯鲁厄技术大学） ； Autodesk Research（Autodesk研究） ； University of California, Berkeley（加州大学伯克利分校） ； KTH Royal Institute of Technology（皇家理工学院） ； Tsinghua University（清华大学） ； Columbia University（哥伦比亚大学） ； ASTM International（美国材料与试验协会） ； Carnegie Mellon University（卡内基梅隆大学） ； German Aerospace Center (DLR)（德国航空航天中心） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 ManipulationNet通过标准化硬件和统一软件客户端，为机器人操作提供现实世界基准测试，促进物理技能和具身推理能力的系统性发展。

Comments 32 pages, 8 figures

RoboCasa365: A Large-Scale Simulation Framework for Training and Benchmarking Generalist Robots

RoboCasa365：一种大规模仿真框架，用于训练和评估通用机器人

Soroush Nasiriany, Sepehr Nasiriany, Abhiram Maddukuri, Yuke Zhu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； NVIDIA Research（NVIDIA研究） 纠错

AI总结 RoboCasa365通过大规模仿真框架提供多样化任务和环境，用于训练和评估通用机器人，分析任务多样性、数据集规模和环境变化对泛化的影响。

Comments ICLR 2026; First three authors contributed equally

SSR: A Generic Framework for Text-Aided Map Compression for Localization

SSR：一种用于定位的文本辅助地图压缩通用框架

Mohammad Omama, Po-han Li, Harsh Goel, Minkyu Choi, Behdad Chalaki, Vaishnav Tadiparthi, Hossein Nourkhiz Mahjoub, Ehsan Moradi Pari, Sandeep P. Chinchali

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Honda Research Institute（本田研究机构） 纠错

AI总结 SSR通过结合文本描述和小图像特征向量，实现高效地图压缩，提升定位精度和资源效率。

Online Learning for Multi-Layer Hierarchical Inference under Partial and Policy-Dependent Feedback

多层分层推断下的在线学习：在部分和策略依赖反馈中

Haoran Zhang, Seohyeon Cha, Hasan Burhan Beytur, Kevin S Chan, Gustavo de Veciana, Haris Vikalo

机构 * Department of Electrical and Computer Engineering（电气与计算机工程系） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（国防部陆军研究实验室） 纠错

AI总结 本文提出了一种在部分和策略依赖反馈下，结合Lyapunov优化的方差减少EXP4算法，以提升多层分层推断系统在长期资源约束下的稳定性和性能。

Comments preprint