Streaming Flow Policy: Simplifying diffusion/flow-matching policies by treating action trajectories as flow trajectories
Massachusetts Institute of Technology（麻省理工学院）
本研究提出流式流策略，将动作轨迹视为流轨迹，从最后动作的窄高斯采样并逐步积分速度场，实现实时流式动作输出，减少计算开销，优于先前方法并支持多模态行为。
2025-09-24 cs.AI cs.LG cs.RO
GeoAAC: Geometry-Based Adaptive Action Chunking from Denoising Trajectories in VLA Policies
Tongji University（同济大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Electronic Science and Technology of China（电子科技大学）
针对VLA策略中固定动作视界无法适应任务阶段变化的问题，提出基于Flow Matching去噪轨迹几何的自适应动作分块方法GeoAAC，无需额外训练即可调整视界，在仿真和真实任务中显著提升成功率。
2026-09-18 cs.AI cs.LG cs.RO
Learning Real-World Robot Policies by Dreaming
School of Informatics, Computing, and Engineering（信息学、计算与工程学院）；Indiana University Bloomington（印第安纳大学伯明顿分校）
学习直接基于图像控制机器人是机器人技术的主要挑战。然而，许多现有的强化学习方法需要迭代地获得数百万个机器人样本来学习策略，这可能花费大量时间。在本文中，我们专注于学习一个现实的世界模型捕捉动态的场景变化的机器人动作的条件。我们的做梦模型可以模拟相当于来自实际环境的一系列图像的样本，技术上是通过学习一个动作条件化的未来表征/场景回归。这允许代理学习动作策略（即，通过与梦想模型而不是现实世界进行交互。我们通过实验证实，我们的梦想模型能够让机器人学习转移到现实世界的政策。
2019-08-01 cs.CV cs.RO stat.ML
FLOWER: Democratizing Generalist Robot Policies with Efficient Vision-Language-Action Flow Policies
Intuitive Robots Lab（直观机器人实验室）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Microsoft Research（微软研究院）
针对现有VLA策略计算成本高的问题，提出中间模态融合与动作专属Global-AdaLN条件机制，构建9.5亿参数的FLOWER模型，以更低训练成本在多基准任务上取得媲美大模型的性能并刷新CALVIN ABC基准纪录。
2025-09-05 cs.RO
PhaseLoRA: Control-Regime-Conditioned Low-Rank Adaptation for Continuous-Action Vision-Language-Action Policies
Tsinghua University（清华大学）
PhaseLoRA是面向连续动作VLA策略的轻量级PEFT方法，通过控制条件式LoRA实现阶段依赖适配，在LIBERO数据集上较匹配参数的高秩LoRA基线提升平均成功率12.2个百分点，性能优于其他LoRA变体。
2026-08-18 cs.AI cs.RO
PAMAE: Phase-Aware-MoE Action Experts Towards Reliable Flow-Matching Vision-Language-Action Policies
Department of Artificial Intelligence, School of Informatics, Xiamen University（厦门大学信息学院人工智能系）；Department of Computer Science, Aberystwyth University（阿伯里斯特威斯大学计算机科学系）
针对多阶段机器人操作中VLA模型动作生成不可靠的问题，提出即插即用的相位感知混合专家动作模块PAMAE，通过稀疏专家混合和相位感知路由提升阶段一致性，在模拟任务中成功率提升9.2%。
2026-06-26 cs.RO
Beyond Reconstruction: What Matters in Action Tokenization for Robot Policies?
Toyota Technological Institute at Chicago（芝加哥丰田技术研究所）；Argonne National Laboratory（阿贡国家实验室）
本文提出ProAct动作分词训练方法，通过增强重建目标提升下游可预测性和稳健性，在多个基准和真实场景中显著提高机器人策略成功率。
2026-10-08 cs.RO
Real-Time Execution of Action Chunking Flow Policies
Physical Intelligence（物理智能）；UC Berkeley（伯克利大学）
本文提出实时分块（RTC）方法，通过在执行当前动作分块的同时生成下一个分块，实现动作分块策略的实时异步执行，提升任务吞吐量和精确任务成功率。
2025-12-05 cs.AI cs.LG cs.RO
Freeze, Share, Shrink: Rethinking the Action Backbone in Diffusion Policies
本文提出解耦训练方法，将任务知识限制在条件路径中，使动作主干网络无任务依赖，通过Diffusion Policy验证，证明动作专家编码较少任务特定知识。
2026-09-15 cs.AI cs.LG cs.RO
SEAM: Smooth Execution of Action-Chunked Motion for Vision-Language-Action Policies
South China University of Technology（南方科技大学）
研究视觉-语言-动作策略中动作块执行的多模态分叉问题，提出无训练推理时的SEAM方法，利用同步执行见解，通过速度引导损失转向机制减少边界抖动和块过渡不连续性。
2026-07-07 cs.RO
Guided Action Flow: Value-Guided Sampling for Frozen Vision-Language-Action Policies
Department of Computer Science, University College London（计算机科学系，伦敦大学学院）；Department of Mechanical Engineering, University College London（机械工程系，伦敦大学学院）
提出Guided Action Flow框架，通过冻结预训练策略并利用学习到的动作块评论家引导逆向流采样，在LIBERO任务中单任务评论家将成功率从68.0%提升至82.0%。
2026-10-07 cs.AI cs.RO
Diverse Policy Optimization for Structured Action Space
The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Institute of AI and Robotics for Society（深圳人工智能与机器人研究院）
增强策略的多样性有利于强化学习的鲁棒性、探索性和迁移性。在本文中，我们的目标是寻求不同的政策，在一个未充分探索的设置，即RL任务与结构化的动作空间的可组合性和局部依赖性的两个属性。复杂的动作结构，不均匀的奖励景观，以及由于结构化动作的特性而引起的微妙的超参数调整，阻止了现有方法的良好扩展。我们提出了一种简单有效的强化学习方法，多样性策略优化（DPO），模型的策略在结构化的行动空间作为基于能量的模型（EBM）通过以下概率强化学习框架。最近提出的一种新颖的和强大的生成模型，GFlowNet，介绍了高效的，多样化的基于循证医学的政策采样器。DPO遵循联合优化框架：外层使用GFlowNet采样的不同策略来更新基于EBM的策略，这支持内层的GFlowNet训练。在ATSC和Battle基准测试上的实验表明，DPO可以在具有挑战性的场景中有效地发现令人惊讶的多样化策略，并大大优于现有的最先进的方法。
2023-02-23 cs.AI cs.LG
Steerable Vision-Language-Action Policies for Embodied Reasoning and Hierarchical Control
本文提出可调节策略，通过训练在丰富合成命令上的视觉-语言-动作模型，提升低层可控性，解锁预训练VLM知识，改进任务泛化能力。
2026-04-06 cs.RO
Reinforcing Action Policies by Prophesying
School of Data Science, Fudan University（复旦大学数据科学学院）；Shanghai Innovation Institute（上海创新研究院）
ProphRL通过Prophet、FA-GRPO和FlowScale提升VLA后训练的效率与稳定性，实现机器人任务的成功率提升。
2026-08-07 cs.RO
Robust Skills, Brittle Grounding: Diagnosing Restricted Generalization in Vision-Language Action Policies via Multi-Object Picking
Naver Labs Europe（纳维尔实验室欧洲）
通过多对象拾取实验发现，视觉语言动作策略在复杂环境下执行基本操作比遵循指令更可靠，表明技能获取与指令遵循脱节，需改进基准测试以更准确诊断泛化能力。
2026-02-27 cs.RO
APT: Action Expert Pretraining Improves Instruction Generalization of Vision-Language-Action Policies
Zhejiang University（浙江大学）；Zhejiang Humanoid Robot Innovation Center（浙江人形机器人创新中心）
针对连续动作专家模型对分布外语言指令泛化差的问题，提出APT两阶段训练方法，先预训练动作专家作为视觉-动作先验，再通过门控融合注入语言，显著提升泛化性能。
2026-10-05 cs.RO
VLA-Corrector: Stage-Aware Observable State Understanding for Prompt-Based Closed-Loop Recovery of Vision-Language-Action Policies
针对VLA策略长时程操作执行偏差问题，提出阶段感知验证与提示恢复框架，利用可观测历史习得验证器识别失败模式并生成恢复提示，在LIBERO基准上显著提升闭环可靠性。
2026-09-09 cs.RO
Test-Time Improvement of VLA Policies via Selected Diffusion Noise for Spurious-Robust Action Smoothing
Center for AI Research, VinUniversity（VinUniversity人工智能研究中心）；VinRobotics；KAIST（韩国科学技术院）；University of Stuttgart（斯图加特大学）；IMPRS-IS（国际马克斯·普朗克智能系统研究学院）；National University of Singapore（新加坡国立大学）；DFKI（德国人工智能研究中心）；University of Oldenburg（奥尔登堡大学）；Monash University（莫纳什大学）；University of Arkansas（阿肯色大学）；TU Darmstadt（达姆施塔特工业大学）
提出一种无需训练的选择性扩散噪声方法，通过动态采样噪声向量增强视觉-语言-动作策略的鲁棒性和动作平滑性，在仿真和真实场景中成功率分别提升8%和10%。
2026-11-05 cs.RO
LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies
Tsinghua University（清华大学）；Jilin University（吉林大学）；Nankai University（南开大学）；Peking University（北京大学）；Harbin Institute of Technology（哈尔滨工业大学）；Zhongguancun Academy（中关村学院）；Striding.AI；Infinigence AI
提出LaWAM模型，通过潜在视觉子目标预测场景变化，实现动力学感知的机器人控制，在多个基准上达到最优或竞争性成功率，且推理延迟低。
2026-10-30 cs.AI cs.CV cs.RO
ActFovea: Runtime Safeguarding for VLA Policies via Spatiotemporal Visual-Action Consistency
ActFovea是一种即插即用的VLA策略运行时安全保障框架，通过构建动作条件化凹形区域、检测时空一致性及触发安全故障，提升了机器人操纵在各类干扰下的成功率与安全性。
2026-08-03 cs.AI cs.RO
Learning Native Continuation for Action Chunking Flow Policies
Spirit AI
本文提出Legato方法，通过训练时的延续技术改进动作分块流基于VLA策略，减少动作边界不连续性和伪多模态切换，提升轨迹平滑度和任务完成效率。
2026-05-17 cs.AI cs.RO
Fewer Steps, Better Actions: Rethinking Flow-Matching Inference for VLA Policies
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；Zhongke Haichuan Intelligent（中科海川智能）
提出Coda，通过轻量级Transformer学习端点校正，替代部分积分步骤，在降低延迟的同时提升VLA策略的成功率，验证了校正作为额外积分有效替代方案的价值。
2026-09-21 cs.AI cs.RO
IMPACT-VLA: Interaction-aware Multimodal Propagation Attribution via Counterfactual Trajectories for Vision-Language-Action Policies
Hanyang University（汉阳大学）
针对VLA策略中多模态贡献阶段不明的问题，提出IMPACT-VLA方法，通过构建阶段-模态块并执行闭环反事实重执行，在30个LIBERO任务上揭示了模态贡献的阶段性变化与条件耦合。
2026-09-15 cs.AI cs.RO
Local Policies Enable Zero-shot Long-horizon Manipulation
Carnegie Mellon University（卡内基梅隆大学）；Apple（苹果公司）
本文提出ManipGen，通过引入具有位姿、技能顺序和场景配置不变性的局部策略，结合视觉、语言和运动规划基础模型，在仿真和真实世界中实现了零样本长程操作任务的最先进性能。
2025-03-10 cs.CV cs.LG cs.RO
SplatSim: Zero-Shot Sim2Real Transfer of RGB Manipulation Policies Using Gaussian Splatting
Carnegie Mellon University（卡内基梅隆大学）
针对RGB操作策略的Sim2Real域偏移难题，提出以高斯泼溅为渲染基元的SplatSim框架，生成高真实感合成数据，实现零样本真实部署，成功率达86.25%。
2024-10-07 cs.AI cs.CV cs.LG
SECANT: Self-Expert Cloning for Zero-Shot Generalization of Visual Policies
Stanford University（斯坦福大学）；NVIDIA（英伟达）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）
泛化一直是强化学习（RL）面临的一个长期挑战。特别是视觉RL，很容易被高维观察空间中的无关因素分散注意力。在这项工作中，我们考虑强大的策略学习的目标zero-shot推广到看不见的视觉环境与大的分布变化。我们提出了SECANT，一种新的自我专家克隆技术，利用图像增强在两个阶段解耦强大的表示学习从政策优化。具体来说，专家策略首先由RL从头开始训练，具有弱增强。然后，学生网络通过具有强增强的监督学习来学习模仿专家策略，使其表示与专家相比对视觉变化更鲁棒。大量的实验表明，SECANT显着进步的最先进的zero-shot概括在4个具有挑战性的领域。与之前的SOTA相比，我们的平均奖励改进包括：DeepMind控制（+26.5%）、机器人操纵（+337.8%）、基于视觉的自动驾驶（+47.7%）和室内物体导航（+15.8%）。代码发布和视频可在https://linxifan.github.io/secant-site/上获得。
2021-06-17 cs.AI cs.CV cs.LG
Perception Stitching: Zero-Shot Perception Encoder Transfer for Visuomotor Robot Policies
Duke University（杜克大学）；Air Force Research Laboratory（空军研究实验室）
本文提出感知拼接方法，通过对齐潜在视觉特征实现视觉编码器模块化，并将其直接拼接到已有策略网络，从而在仿真和真实机器人操作任务中实现面对大幅视觉变化的零样本适应。
2025-01-01 cs.RO
PEEK: Guiding and Minimal Image Representations for Zero-Shot Generalization of Robot Manipulation Policies
University of Washington（华盛顿大学）；NVIDIA（NVIDIA公司）；University of Southern California（南加州大学）；Allen Institute for AI（人工智能研究所）
针对机器人操作策略泛化失败问题，提出PEEK方法，将高层推理卸载至VLMs并微调其生成末端执行器路径与任务掩码的中间表示，提升零样本泛化性能，如仿真训练3D策略真实世界性能提升41.4倍。
2025-09-22 cs.AI cs.LG cs.RO
One-Shot High-Fidelity Imitation: Training Large-Scale Deep Nets with RL
DeepMind（深度思维）
人类是高保真模仿的专家--密切模仿演示，通常是一次尝试。人类使用这种能力来快速解决任务实例，并引导学习新任务。在自主智能体中实现这些能力是一个开放的问题。在本文中，我们引入了一种非策略RL算法（MetaMimic）来缩小这一差距。MetaMimic可以学习（i）高保真一次性模仿各种新技能的策略，以及（ii）使代理能够比演示者更有效地解决任务的策略。MetaMimic依赖于将所有经验存储在内存中并重放这些经验的原理，通过离线策略RL来学习大量深度神经网络策略。据我们所知，本文介绍了现有最大的深度RL神经网络，并表明需要更大的归一化网络来实现具有挑战性的操作任务的一次性高保真模拟。研究结果还表明，这两种类型的政策可以从视觉中学习，尽管任务奖励稀疏，并没有获得示范行动。
2018-10-11 cs.AI cs.CV cs.LG
Zero-Shot Terrain Generalization for Visual Locomotion Policies
Google Brain Robotics（谷歌大脑机器人）；Georgia Institute of Technology（佐治亚理工学院）
足式机器人在非结构化地形上具有无与伦比的机动性。然而，它仍然是一个开放的挑战，设计运动控制器，可以在各种各样的环境中运行。在本文中，我们解决了这一挑战，自动学习运动控制器，可以推广到各种各样的地形经常在现实世界中遇到的。我们将这一挑战视为多任务强化学习问题，并将每个任务定义为机器人需要穿越的一种地形。我们提出了一种端到端的学习方法，该方法直接使用从模拟的3D LiDAR传感器收集的原始外感受输入，从而避免了对地面实况高度图或感知信息预处理的需要。因此，学习控制器展示了出色的zero-shot泛化能力，可以在13种不同的环境中导航，包括楼梯、崎岖的土地、杂乱的办公室和室内空间。
2020-11-11 cs.RO
Zero-shot Transfer of Reinforcement Learning Control Policies for the Swing-Up and Stabilization of a Cart-Pole System
Department of Mathematics, Box 8205, NC State University, Raleigh, NC 27695（北卡罗来纳州立大学数学系）
本文研究强化学习控制策略从仿真到硬件的零样本迁移，用于倒立摆的起摆与稳定，通过一阶动作平滑滤波和灵敏度引导的域随机化及线性课程学习实现成功迁移。
2026-06-23 cs.RO cs.SY eess.SY
Zero-Shot Retargeting of Learned Quadruped Locomotion Policies Using Hybrid Kinodynamic Model Predictive Control
University of Notre Dame（圣母大学）；Robotics at Google（谷歌机器人部门）
强化学习（RL）在四足动物运动方面取得了长足的进步，并在策略的可靠仿真到现实迁移方面取得了持续的进展。然而，在另一个机器人上重用策略仍然是一个挑战，这可以节省重新训练的时间。在这项工作中，我们提出了一个框架zero-shot政策重定向，其中不同的运动技能可以在不同形状和大小的机器人之间转移。新的框架集中在一个规划和控制管道，系统地集成RL和模型预测控制（MPC）。规划阶段采用RL生成动态似然轨迹以及接触时间表，避免了接触序列优化的组合复杂性。然后，这些信息被用于播种MPC，以通过一个新的混合Kinodynamic（HKD）模型来稳定和鲁棒化政策推出，该模型隐式优化了立足点位置。硬件结果表明，能够将策略从A1和Laikago机器人传输到MIT Mini Cheetah机器人，而无需任何策略重新调整。
2022-09-28 cs.RO
Dense Policy: Bidirectional Autoregressive Learning of Actions
Shanghai Jiao Tong University（上海交通大学）；Xidian University（西安电子科技大学）；Shanghai Innovation Institute（上海创新研究院）
本文提出 Dense Policy，通过双向扩展、仅编码器的从粗到细自回归学习实现对数时间动作序列预测，并在机器人操作实验中超越现有整体生成式策略。
2025-03-17 cs.CV cs.LG cs.RO
Robot Utility Models: General Policies for Zero-Shot Deployment in New Environments
New York University（纽约大学）；Hello Robot Inc.（Hello Robot公司）；Meta Inc.（Meta公司）
提出 Robot Utility Models 框架，通过高效移动操作数据采集、多模态模仿学习与 mLLM 重试验证，实现机器人策略在新环境和新硬件配置中的零样本部署。
2024-09-09 cs.LG cs.RO
Permutation Robustness Is Not Enough: Action Collapse in Multi-Agent Transformer Policies
University of California, Merced（加州大学默塞德分校）
本研究揭示多智能体Transformer策略在排列鲁棒性评估中的陷阱，提出结合动作坍缩诊断，并发现弱等变性正则化可在保持动作多样性的同时提升鲁棒性。
2026-10-05 cs.LG cs.MA cs.RO
Composable Energy Policies for Reactive Motion Generation and Reinforcement Learning
TU Darmstadt（达姆施塔特工业大学）；University of Washington（华盛顿大学）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
反应性运动生成问题通常通过将动作计算为策略的总和来解决。然而，这些策略是相互独立的，因此，当将它们的贡献加在一起时，它们可能会有冲突的行为。我们介绍了可组合能源政策（CEP），一个新的框架模块化反应运动生成。CEP通过对一组随机策略的乘积进行优化来计算控制动作。这种策略的产物将为满足所有组件的那些行动提供高概率，而为其他组件提供低概率。优化策略的产品避免了策略之间的冲突行为的有害影响，选择满足所有目标的行为。此外，我们表明CEP自然适应强化学习问题，使我们能够以分层的方式整合任何分布作为先验，从多峰分布到非光滑分布，并学习新的策略。
2021-05-11 cs.LG cs.RO
Reward as Observation: Learning Reward-Based Policies for Rapid Adaptation
Georgia Institute of Technology（佐治亚理工学院）；Georgia Tech Research Institute（佐治亚理工研究所）
本文提出仅以奖励和动作为条件的策略，实现观测空间完全不同的环境间零样本迁移，并验证其在多种环境中的有效性及对观测策略训练的指导作用。
2026-10-07 cs.LG cs.RO
EmbodiSteer: Steering Embodiment-Agnostic Visuomotor Policies with Joint-Space Guidance for Zero-Shot Cross-Embodiment Deployment
Department of Automation, Tsinghua University（清华大学自动化系）；Beijing Key Laboratory of Embodied Intelligence Systems（北京具身智能系统重点实验室）；Institute for Embodied Intelligence and Robotics, Tsinghua University（清华大学具身智能与机器人研究所）
提出EmbodiSteer框架，通过前向运动学和雅可比更新将推理时的扩散采样提升到目标机器人关节空间，并加入全身碰撞感知引导，实现零样本、具身感知的部署，在模拟和物理机器人上显著降低碰撞率并提高任务成功率。
2026-10-14 cs.RO
Composing Diffusion Policies for Few-shot Learning of Movement Trajectories
School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）
本文提出DSE扩散分数均衡方法，通过概率组合基础扩散策略实现机器人运动轨迹的少样本学习，并提出MMD-FK度量评估运动与演示误差，实验显示MMD-FK降低超30%，并在5次演示中完成真实机器人新轨迹教学。
2024-10-22 cs.AI cs.RO
View-Invariant Policy Learning via Zero-Shot Novel View Synthesis
Stanford University（斯坦福大学）；Toyota Research Institute（丰田研究中心）
本研究提出利用零样本新视角合成模型进行数据增强（VISTA），从单视角演示数据中学习视角不变的视觉运动策略，显著提升了策略对分布外相机视角的鲁棒性。
2025-05-31 cs.AI cs.CV cs.LG
Zero-Shot Transfer of Haptics-Based Object Insertion Policies
Intel Labs（英特尔实验室）；Massachusetts Institute of Technology（麻省理工学院）
针对仿真训练接触式操作策略难以直接落地的问题，本文通过时延建模、记忆表示和域随机化，实现盘子插入策略零样本迁移到真实机器人，并在性能与泛化上优于基线。
2023-06-08 cs.AI cs.RO
Using Simulation Optimization to Improve Zero-shot Policy Transfer of Quadrotors
Technical University of Munich（慕尼黑工业大学）
在这项工作中，我们提出了一种数据驱动的方法来优化仿真参数，使控制策略可以直接从仿真转移到现实世界的四旋翼。我们的基于神经网络的策略仅将板载传感器数据作为输入，并完全在嵌入式硬件上运行。在广泛的现实世界的实验中，我们比较低级别的脉冲宽度调制控制与更高级别的控制结构，如姿态速率和姿态，利用比例积分微分控制器输出电机命令。我们的实验表明，用强化学习训练的低级控制器需要比高级控制策略更准确的模拟。
2022-12-28 cs.AI cs.RO
Zero-Shot Uncertainty-Aware Deployment of Simulation Trained Policies on Real-World Robots
QUT Centre for Robotics（昆士兰科技大学机器人中心）
虽然深度强化学习（RL）代理在实现机器人灵巧行为方面表现出令人难以置信的潜力，但由于训练和执行环境之间的不匹配，它们在现实世界中部署时往往会出错。相比之下，经典机器人社区已经开发了一系列控制器，这些控制器可以在现实世界中的大多数状态下安全地运行。然而，这些控制器缺乏灵活性所需的复杂任务的限制，在分析建模和近似。在本文中，我们提出了贝叶斯控制器融合（BCF），这是一种新型的不确定性感知部署策略，结合了深度RL策略和传统手工控制器的优势。在这个框架中，我们可以执行zero-shot仿真到现实迁移，其中我们基于不确定性的公式允许机器人通过利用手工制作的控制器在分布状态外可靠地动作，同时获得学习系统的灵活性。我们在两个现实世界的连续控制任务上显示了有希望的结果，其中BCF优于独立的策略和控制器，超过了两者都可以独立实现的目标。在https://bit.ly/bcf_deploy上提供了演示我们系统的补充视频。
2021-12-10 cs.AI cs.RO
Contractive Diffusion Policies: Robust Action Diffusion via Contractive Score-Based Sampling with Differential Equations
Department of Electrical and Computer Engineering, McGill University（麦吉尔大学电气与计算机工程系）；Department of Computer Science, McGill University（麦吉尔大学计算机科学系）；Mila–Quebec AI Institute（魁北克人工智能研究所）
本文提出收缩扩散策略，通过引入收缩行为提升扩散采样动态的鲁棒性，减少求解和分数匹配误差，降低动作方差，在数据稀缺情况下表现优异。
2026-03-21 cs.LG cs.RO
Regularizing Action Policies for Smooth Control with Reinforcement Learning
Boston University（波士顿大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
使用深度强化学习（RL）训练的控制器的实际效用的一个关键问题是RL策略学习的动作明显缺乏平滑性。这种趋势通常以控制信号振荡的形式出现，并可能导致控制不良、高功耗和不适当的系统损耗。我们引入了动作策略平滑性调节（CAPS），一种有效而直观的动作策略正则化，它提供了一致的改进，在神经网络控制器的学习状态到动作映射的平滑性，反映在消除控制信号中的高频分量。在真实系统上进行测试，四旋翼无人机上控制器平滑度的改进导致功耗降低近80%，同时持续训练飞行控制器。项目网址：http://ai.bu.edu/caps
2021-05-26 cs.LG cs.RO cs.SY
One-Shot Real-World Demonstration Synthesis for Scalable Bimanual Manipulation
HNuzhy
本文提出BiDemoSyn框架，通过单个现实示例生成大量高质量双臂操作演示，结合任务分解与视觉引导对齐，实现高效且物理可行的演示合成，提升机器人操作的泛化能力与数据效率。
2026-04-27 cs.RO
A Single Diffusion-Policy Controller for Multi-Task Block Pushing with Zero-Shot Sim-to-Real Transfer
Harvard University（哈佛大学）；Georgia Institute of Technology（佐治亚理工学院）
研究旨在用强化学习从零训练单扩散策略用于多任务块推，提出含简单策略损失函数的框架，结合反向课程生成等应对探索挑战，评估其在不同条件下零样本从模拟到现实的转移能力，证明该流程有效。
2026-07-14 cs.RO
ReAT: Residual Action Tokenization for Autoregressive Robot Policies
South China University of Technology（华南理工大学）；The Chinese University of Hong Kong（香港中文大学）；Hong Kong Polytechnic University（香港理工大学）
该研究提出ReAT残差动作分词方法，通过闭合编码解码循环优化动作重构，在19个操作任务中提升了自回归机器人策略的任务成功率，为自校正策略学习提供了可行路径。
2026-10-14 cs.RO
One-shot Imitation Learning via Interaction Warping
Northeastern University（东北大学）；Brown University（布朗大学）；Microsoft Research（微软研究院）；Google DeepMind（谷歌DeepMind）；University of Amsterdam（阿姆斯特丹大学）
针对少样本机器人模仿学习需求，提出Interaction Warping方法，通过形状扭曲推断物体3D网格并将动作表示为可随形状扭曲的关键点，实现单次演示下的SE(3)操作策略学习，在多类重排任务及真实场景预测中有效。
2023-11-04 cs.LG cs.RO
Embodied Agents Take Control: Minimal-Interface Zero-Shot Agents Rival Industrial-Scale Policies in Vision-and-Language Navigation
Australian Institute for Machine Learning（澳大利亚机器学习研究所）；Adelaide University（阿德莱德大学）；Responsible AI Research Centre（负责任人工智能研究中心）；CSIRO Data61（联邦科学与工业研究组织数据61中心）；The University of Queensland（昆士兰大学）
本研究提出智能具身控制，以零样本导航为测试平台，评估三种智能体框架，发现最小接口下部分框架可媲美工业级策略，同时揭示模型、框架与接口对具身智能体的互补作用。
2026-10-20 cs.RO
Learning by Cheating : An End-to-End Zero Shot Framework for Autonomous Drone Navigation
Indian Institute of Technology, Gandhinagar（印度理工学院甘地纳格尔分校）
本文提出了一种新的框架，自主无人机导航通过杂乱的环境。控制策略在训练期间在低级环境中学习，并在推理期间应用于复杂环境。在训练环境中学习的控制器被欺骗，相信机器人仍然处于训练环境中，而实际上它正在更复杂的环境中导航。本文提出的框架可以适用于在更复杂的任务中重用简单的策略。我们还表明，该框架可以用作强化学习算法的解释工具。
2021-11-11 cs.RO
Foundation Policies with Hilbert Representations
University of California, Berkeley（加州大学伯克利分校）
本文提出一种无监督预训练框架，通过学习保留环境时间结构的希尔伯特表示并用定向移动跨越潜在空间，使通用策略能零样本适应任意新任务，在模拟机器人运动和控制基准上优于专门方法。
2024-05-26 cs.AI cs.LG cs.RO
Hardware Conditioned Policies for Multi-Robot Transfer Learning
The Robotics Institute（机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
深度强化学习可用于学习灵巧的机器人策略，但将其转移到具有截然不同硬件属性的新机器人上具有挑战性。由于现代最先进的算法的高样本复杂性，为每个机器人硬件从头开始学习新策略也是非常昂贵的。我们提出了一种新的方法，称为\textit{Hardware Conditioned Policies}，我们训练一个通用的政策条件下的机器人硬件的矢量表示。我们认为机器人在模拟不同的动力学，运动学结构，运动长度和自由度。首先，我们直接使用的运动学结构作为硬件编码，并显示出巨大的zero-shot转移到全新的机器人在训练过程中没有看到。对于zero-shot成功率较低的机器人，我们还证明了微调策略网络比从头开始训练模型更有效。在任务中，知道代理动力学是成功的重要因素，我们学习机器人硬件的嵌入，并表明以硬件编码为条件的政策往往会推广和转移。代码和视频可以在项目网页上找到：https://sites.google.com/view/robot-transfer-hcp。
2019-01-13 cs.AI cs.LG cs.RO
Mirage: Cross-Embodiment Zero-Shot Policy Transfer with Cross-Painting
UC Berkeley（加州大学伯克利分校）；Google DeepMind（谷歌DeepMind）
本文提出 Mirage，通过实时 cross-painting 将目标机器人外观替换为源机器人，实现视觉操作策略在不同机械臂与夹爪间的零样本迁移。
2024-09-09 cs.RO
