CoRL

Enhancing Visual Domain Robustness in Behaviour Cloning via Saliency-Guided Augmentation

通过显著性引导增强提升行为克隆中的视觉域鲁棒性

Zheyu Zhuang, Ruiyu Wang, Nils Ingelhag, Ville Kyrki, Danica Kragic

机构 * KTH Royal Institute of Technology（皇家理工学院） ； Aalto University（阿尔托大学） 纠错

AI总结 该研究针对行为克隆中常规增强方法应对视觉域偏移效果差的问题，提出RoboSaGA显著性引导增强方法，提升了模型的视觉域鲁棒性且保留了域内性能。

Comments Accepted at the Conference on Robot Learning (CoRL) 2024

Journal ref CoRL 2024

Milo, a Fully Autonomous Indoor/Outdoor Robotic Guide Dog

米洛，一款完全自主的室内/室外机器人导盲犬

Florian Golemo, Joanna Wolski, Joel Ruben Antony Moniz, Christopher Pal

机构 * Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； Polytechnique Montreal（蒙特利尔理工大学） 纠错

AI总结 研究旨在开发机器人导盲犬平台，核心方法是构建含改装机器人、感知与导航堆栈的系统，主要贡献是实现完全自主、室内外可用的米洛平台，开源软硬件，且导航表现优于基线。

Comments Submitted to CoRL 2026. The Milo project website is available here: https://fgolemo.github.io/milo

Think When It Matters: Conditional VLM Reasoning for Social Navigation with RL Policies

在重要时刻思考：用于社交导航的基于RL策略的条件VLM推理

Ali Ahmadi, Hamed Rahimi, Adrien Jacquet Cretides, Marie Samson, Mahdi Khoramshahi, Mohamed Chetouani

机构 * Institut des Systèmes Intelligents et de Robotique (ISIR)（智能系统与机器人研究所） 纠错

AI总结 研究社交机器人导航中强化学习策略缺乏语义推理能力的问题，提出HUMA混合架构，动态平衡RL策略与VLM的优势。在基准测试中任务成功率提高，减少碰撞，消融研究验证组件，实际部署证明方法可行。

Comments CoRL 2026 submission. 15 pages, 7 figures

Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control

Qantara：用于多范式联合嵌入预测架构控制的桥流训练

Ruslan Rakhimov, George Bredis, Yuriy Maksyuta, Daniil Gavrilov

机构 * T-Tech 纠错

AI总结 研究针对联合嵌入预测架构（JEPAs）单一推理范式问题，提出Qantara，通过端到端联合训练目标，同一检查点服务三种推理范式，提升控制性能，推动JEPAs从单范式规划器向多范式控制器转变。

Comments 16 pages, 3 figures, 6 tables. Project page: https://corl-team.github.io/qantara

Path Planning in Physically Viable World Models

物理可行世界模型中的路径规划

Su Ann Low, Cheng-Hsi Hsiao, Xingjian Li, Adam J. Thorpe, Ufuk Topcu, Krishna Kumar

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

AI总结 提出物理可行世界模型，通过物理仿真生成修改后的场景，使机器人能在部署前评估未来地形变化对路径可行性的影响。

Comments 18 pages, 7 figures, submitted to CORL

TactX: Learning Shared Tactile Representations Across Diverse Sensors

TactX: 跨不同传感器的共享触觉表示学习

Junsung Park, Sachin Bhadang, Carmelo Sferrazza, Sha Yi, Xiaolong Wang

机构 * UC San Diego（加州大学圣地亚哥分校） ； Seoul National University（首尔大学） ； Amazon FAR（亚马逊FAR） 纠错

AI总结 提出TactX框架，通过配对接触数据训练模态特定编码器，将电阻、磁和视觉三种触觉传感器的观测映射到共享潜空间，实现零样本策略迁移，平均成功率从27.5%提升至45.9%。

Comments Submitted to CoRL 2026. 16 pages, 8 figures

G$^3$VLA: Geometric inductive bias for Vision-Language-Action Models

G$^3$VLA：视觉-语言-动作模型的几何归纳偏置

Yue Peng, Yongzhe Zhao, Artur Habuda, Khuyen Pham, Yanheng Zhu, Tran Nguyen Le, Fares Abu-Dakka, Li Guo

机构 * New York University Shanghai（上海纽约大学） ； Technical University of Denmark（丹麦技术大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 提出G$^3$VLA模块，通过射线嵌入、投影位置编码和跨视图融合为VLA模型注入相机几何先验，无需深度传感器，在多个基准和真实机器人上提升空间敏感任务性能。

Comments Submitted to CoRL 2026

MirrorDuo: Reflection-Consistent Visuomotor Learning from Mirrored Demonstration Pairs

MirrorDuo：基于镜像演示对的反射一致视觉运动学习

Zheyu Zhuang, Ruiyu Wang, Giovanni Luca Marchetti, Florian T. Pokorny, Danica Kragic

机构 * Division of Robotics, Perception and Learning（机器人、感知与学习 division） 纠错

AI总结 提出MirrorDuo方法，通过反射一致性为每个原始演示生成镜像副本，实现数据增强，在相同数据预算下显著提升行为克隆性能，并支持零/少样本技能迁移。

Comments Published in CoRL 2025

Journal ref CoRL 2025

One Demo is Worth a Thousand Trajectories: Action-View Augmentation for Visuomotor Policies

一个演示胜过千条轨迹：用于视觉运动策略的动作-视角增强

Chuer Pan, Litian Liang, Dominik Bauer, Eric Cousineau, Benjamin Burchfiel, Siyuan Feng, Shuran Song

机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学） ； Toyota Research Institute（丰田研究所） 纠错

AI总结 提出一种数据增强框架，通过高斯泼溅和轨迹优化生成逼真的鱼眼图像序列和物理可行的动作轨迹，提升操作策略在场景变化和障碍物下的成功率。

Comments Project website: https://chuerpan.com/1001-demos.github.io/. Published at CoRL 2025

Journal ref Proceedings of The 9th Conference on Robot Learning, PMLR 305:3902-3914, 2025

Output-Level Regularization Eliminates the Seed Lottery in Single-GPU VLA Fine-Tuning

输出级正则化消除单GPU VLA微调中的种子彩票

Jeffrin Sam, Dzmitry Tsetserukou

机构 * Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究所） 纠错

AI总结 发现单GPU微调VLA-JEPA时存在种子彩票现象（随机种子导致性能骤降29%），归因于输出坍塌，提出输出级正则化（VICReg、Dropout、减半学习率）可完全消除该问题。

Comments 10 pages, 8 figures, submitted to CoRL 2026

Targeting World Models to Compromise Robot Learning Pipelines

针对世界模型以破坏机器人学习流程

Ethan Rathbun, Ahmed Agha, Saaduddin Mahmud, Christopher Amato, Alina Oprea, Eugene Bagdasarian

机构 * Northeastern University（东北大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校） 纠错

AI总结 本文提出针对世界模型的新型数据投毒攻击方法，通过注入恶意提示或转换动态，在看似安全的数据中生成危险训练轨迹，导致下游策略不安全。

Comments 8 Pages, CoRL Preprint