高校专区
过犹不及：当 sim2real 努力阻碍策略学习（以及如何应对）
机构 * Apptronik ； University of Texas at Austin（得克萨斯大学奥斯汀分校）
AI总结 本文指出 sim2real 努力与策略学习之间存在激励错位，导致模拟器锁定和策略探索不足，并提出通过 sim2sim2real 范式仅以机器人运动学为设计约束的潜在解决方案。
DiscreteRTC：离散扩散策略是自然的异步执行器
机构 * UC Berkeley（加州大学伯克利分校） ； UIUC（伊利诺伊大学香槟分校） ； UT Austin（德克萨斯大学奥斯汀分校） ； UCLA（加州大学洛杉矶分校）
AI总结 针对同步执行器在动态任务中的致命停顿问题，提出DiscreteRTC方法，利用离散扩散策略的原生修复能力实现异步执行，在动态模拟和真实操作任务中取得更高成功率。
情感纠缠与贝叶斯推理用于多维情感理解
机构 * Indian Institute of Technology Bombay（印度理工学院班加罗尔） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） ； IBM Research（IBM研究院）
AI总结 提出基于Plutchik基本情绪理论的情感场景基准EmoScene，并利用情感共现统计的贝叶斯推理框架进行联合后验推理，提升多维情感理解的结构一致性。
Comments 19 pages in total, 10 Figures, 7 Tables
固定预算在最佳臂识别中不比固定置信度难（对数因子范围内）
机构 * University of California, Berkeley（加州大学伯克利分校） ； University of Washington（华盛顿大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出元算法FC2FB，将固定置信度算法转化为固定预算算法，证明固定预算的样本复杂度在log因子内不高于固定置信度。
Journal ref International Conference on Machine Learning (ICML'26), Seoul, Korea, 2026
基于DMA的细粒度计算通信重叠的设计空间探索
机构 * Advanced Micro Devices Inc.（先进微器件公司） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出细粒度计算通信重叠方法FiCCO，通过深入分片粒度以下、利用DMA引擎卸载通信，实现更广泛网络拓扑下的性能优化，最高获得1.6倍加速。
面向受限环境的鲁棒全身体动态运动的反应任务与运动规划
机构 * George W. Woodruff School of Mechanical Engineering, Georgia Tech, USA（佐治亚理工学院机械工程学院） ； Department of Applied Mathematics, University of Waterloo, Canada（滑铁卢大学应用数学系） ； Department of Aerospace Engineering and Engineering Mechanics, UT Austin, USA（得克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Institute for Computational Engineering and Sciences, UT Austin, USA（得克萨斯大学奥斯汀分校计算工程与科学研究所）
AI总结 本文提出了一种基于时序逻辑的游戏框架，用于在受限和动态变化的环境中进行全身体动态运动的任务规划与控制，通过符号系统的方法确保运动行为的正确性。
Comments 49 pages, 23 figures, 1 table
IHT死守：可证明的加速迭代硬阈值法
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； IBM T.J. Watson Research Center（IBM 沃森研究中心）
AI总结 本文研究了在理论和实践中经典迭代硬阈值（IHT）方法中动量运动的使用，通过简单修改普通IHT，探讨了其在具有非凸约束的凸优化标准下的收敛行为，并观察到IHT的加速在投影梯度下降和Frank-Wolfe变体中带来了显著改进。
Comments accepted to AISTATS 2018
SLAMBooster: 一种面向应用的近似控制算法用于SLAM
机构 * University of Texas at Austin, USA（德克萨斯大学奥斯汀分校） ； Indian Institute of Technology Kanpur, India（印度理工学院坎普尔分校）
AI总结 本文提出SLAMBooster，一种面向应用的在线控制算法，用于在SLAM中实现近似计算，通过动态调整近似参数来减少计算时间和能耗，同时保持定位精度。
Comments 13 pages
使用深度神经网络求解不规则和数据丰富的微分方程
机构 * Oden Institute for Computational Engineering and Sciences, University of Texas at Austin, Austin,TX 78712（计算工程与科学研究院，德克萨斯大学奥斯汀分校，奥斯汀，TX 78712） ； Department of Astronomy, The University of Texas at Austin, Austin, TX 78712（天文学系，德克萨斯大学奥斯汀分校，奥斯汀，TX 78712） ； Institute for Fusion Studies, University of Texas at Austin, Austin,TX 78712（融合研究学院，德克萨斯大学奥斯汀分校，奥斯汀，TX 78712）
AI总结 本文提出了一种利用深度神经网络求解不规则和数据丰富的微分方程的方法，通过分析Sod激波管解和压缩磁流体动力学中的激波解，展示了该方法在提高数值方法性能和参数空间探索方面的优势。
Comments 21 pages, 14 figures, 3 tables
合规性塑形用于具有弹性围裙的强度放大外骨骼控制
机构 * Human Centered Robotics Lab in the University of Texas at Austin（德克萨斯大学奥斯汀分校人本机器人实验室）
AI总结 本文提出了一种双合规性塑形方法，通过在力敏感围裙中串联弹簧来设计外骨骼的合规行为，以实现高放大比下的稳定性和鲁棒性，同时引入反馈控制器和增益调节方法，并通过单自由度肘部外骨骼验证了方法的有效性。
Comments 8 pages, 9 figures, conference
ODEs的算法理论与从良好条件的logconcave密度采样
机构 * University of Washington & Microsoft Research（华盛顿大学与微软研究院） ； UT-Austin & University of Washington（德克萨斯大学奥斯汀分校与华盛顿大学） ； Georgia Tech（佐治亚理工学院）
AI总结 本文提出了一种求解多元微分方程的通用算法，其解接近已知基函数的张成，从而实现了近线性时间复杂度的HMC采样方法，适用于广泛使用的logistic回归损失函数。
在线文本分类中的低秩矩阵分解用于词嵌入压缩
机构 * Amazon Alexa AI（亚马逊Alexa人工智能） ； Amazon Search Technologies（亚马逊搜索技术） ； University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种在线词嵌入压缩方法，利用低秩矩阵分解在训练过程中压缩词嵌入层，从而减少NLP模型的内存瓶颈，同时在下游任务中通过重新训练恢复精度，实验证明该方法在句子分类任务中实现了90%的压缩率，并优于固定点量化等其他方法。
Comments Accepted in Thirty-Third AAAI Conference on Artificial Intelligence (AAAI 2019)
打破地平线诅咒：无限地平线离线估计
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Google Brain（谷歌大脑）
AI总结 本文提出了一种新的离线估计方法，通过直接在平稳状态访问分布上应用重要性采样来避免现有估计器中方差爆炸的问题，核心贡献是提出了一种估计两个平稳分布密度比的新方法，并推导了RKHS情况下的闭式解。
Comments 21 pages, 5 figures, NIPS 2018 (spotlight)
在不确定性和混合动力学下的高效机器人运动规划
机构 * Department of Mechanical Engineering（机械工程系） ； Department of Computer Science（计算机科学系） ； University of Texas at Austin, USA（得克萨斯大学奥斯汀分校）
AI总结 本文提出了一种分层POMDP规划器，用于在存在不确定性的情况下为混合动力学模型生成成本优化的运动计划，通过将非线性动力学分解为离散的局部动力学模型，从而有效减少状态不确定性。
Comments 2nd Conference on Robot Learning (CoRL 2018), Zurich, Switzerland
最优控制中的欺骗
机构 * Institute for Computational Engineering and Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校计算工程与科学研究所） ； Department of Aerospace Engineering and Engineering Mechanics and the Institute for Computational Engineering and Sciences, University of Texas at Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系及计算工程与科学研究所）
AI总结 本文提出一个数学严谨的框架，用于定义最优控制中的欺骗，通过设计最优欺骗策略，考虑代理和对手的信念空间，并讨论在不确定性和部分可观测马尔可夫决策过程中的欺骗策略设计。
高效表示经典标度中的流形距离矩阵
机构 * Intel Labs（英特尔实验室） ； The University of Texas at Austin（得克萨斯大学奥斯汀分校）
AI总结 本文提出一种基于双调和插值的稀疏方法，用于高效表示流形距离矩阵，相比现有方法速度快2倍，内存占用低20倍，能处理大规模点集。
Comments Conference CVPR 2018
非周期双足运动的鲁棒最优规划与控制：基于质心动量模型
机构 * Human Centered Robotics Laboratory, The University of Texas at Austin, TX, USA（以人为本的机器人实验室，德克萨斯大学奥斯汀分校） ； Neuro-Engineering Research and Development Laboratory, The University of Texas at Austin, TX, USA（神经工程研究与开发实验室，德克萨斯大学奥斯汀分校）
AI总结 本文提出基于质心动量动力学的混合相空间规划与控制方法，通过非周期关键帧状态的鲁棒跟踪实现双足运动的稳健控制，重点解决非周期步态生成和扰动鲁棒性问题。
Comments 43 pages, 22 figures, journal, International Journal of Robotics Research, 2017. arXiv admin note: substantial text overlap with arXiv:1701.05929, arXiv:1511.04628
一种用于非周期性双足运动规划与控制的框架
机构 * Human Centered Robotics Laboratory, The University of Texas at Austin, TX, USA（以人为中心的机器人实验室，德克萨斯大学奥斯汀分校） ； Neuro-Engineering Research and Development Laboratory, The University of Texas at Austin, TX, USA（神经工程研究与开发实验室，德克萨斯大学奥斯汀分校）
AI总结 本文提出了一种基于非周期性顶点状态鲁棒跟踪的双足运动规划与控制理论框架，通过混合相空间规划与控制方法实现非周期性步态生成及抗干扰能力。
Comments 33 pages, 18 figures, journal
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈