AI Agent

Exploring Dissatisfaction in Bus Route Reduction through LLM-Calibrated Agent-Based Modeling

通过LLM校准的Agent-Based建模探索公交路线削减中的不满

Qiumeng Li, Xinxi Yang, Suhong Zhou

专题命中 规划决策 ：agent(title,abstract)；planning(abstract)

AI总结 研究通过LLM校准的ABM探讨公交路线削减对不同群体不满及网络韧性的影响，发现网络结构对系统稳定性影响大于容量因素，路线削减导致不满指数急剧上升，尤其影响残疾人士和老年人。

Comments The authors have withdrawn this preprint due to errors in figure presentation and labeling. A revised manuscript will be submitted once these issues are resolved

ClawMobile: Rethinking Smartphone-Native Agentic Systems

ClawMobile：重新思考原生智能手机代理系统

Hongchao Du, Shangyu Wu, Qiao Li, Riwei Pan, Jinheng Li, Youcheng Sun, Chun Jason Xue

专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)

AI总结 本文提出ClawMobile，一种针对智能手机环境的代理系统架构，通过分层设计提升执行稳定性与可重复性，并探讨移动LLM运行时的关键挑战。

Comments Accepted at EuroMLSys 2026, 7 pages, 1 figure

V-CAGE: Vision-Closed-Loop Agentic Generation Engine for Robotic Manipulation

V-CAGE：用于机器人操作的视觉闭环代理生成引擎

Yaru Liu, Ao-bo Wang, Nanyang Ye

机构 * University of Cambridge（剑桥大学） ； Wuhan University（武汉大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)

AI总结 V-CAGE通过闭环代理生成框架实现机器人数据合成，结合语义布局规划和视觉自验证，提升环境生成的语义结构和可达性，解决传统方法在场景生成中的不足。

RoboAgent: Chaining Basic Capabilities for Embodied Task Planning

RoboAgent: 通过基本能力串联实现具身任务规划

Peiran Xu, Jiaqi Zheng, Yadong Mu

机构 * Peking University（北京大学） ； XYZ Embodied AI（XYZ具身智能） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出RoboAgent，通过串联基本能力实现具身任务规划，利用单个VLM构建能力驱动的规划框架，结合多阶段训练方法提升规划效果。

Comments CVPR 2026

The Depth Ceiling: On the Limits of Large Language Models in Discovering Latent Planning

深度上限：大语言模型在发现潜在规划中的局限性

Yi Xu, Philipp Jettkant, Laura Ruis

机构 * University of Cambridge（剑桥大学） ； Imperial College London（帝国理工学院） ； MIT（麻省理工学院） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 研究探讨了大语言模型在无监督情况下发现多步规划策略的极限，发现模型在单次前向传递中能执行最多七步潜在规划，揭示了训练与测试时能力的差异。

Comments 10 pages, 3 figures, 1 table (30 pages, 9 figures, 10 tables including references and appendices)

Planning to Explore: Curiosity-Driven Planning for LLM Test Generation

规划以探索：基于好奇心的规划用于LLM测试生成

Alfonso Amayuelas, Firas Laakom, Piotr Piękos, Wenyi Wang, Yifan Xu, Yuhui Wang, Jürgen Schmidhuber, William Wang

机构 * University of California, Santa Barbara（加州大学圣塔芭芭拉分校） ； King Abdullah University of Science and Technology（阿卜杜拉国王科技大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；分类 cs.AI、cs.CL、cs.SE

AI总结 本文提出CovQValue方法，通过将覆盖地图反馈给LLM生成多样化计划，并利用LLM估计的Q值选择最信息量的计划，以平衡即时分支发现与未来可达性，优于贪心策略，在测试生成任务中取得更高覆盖率。

Scaling the Scaling Logic: Agentic Meta-Synthesis of Logic Reasoning

扩展扩展逻辑：代理元合成逻辑推理

Bowen Liu, Zhi Wu, Runquan Xie, Zhanhui Kang, Jia Li

专题命中 规划决策 ：agentic(title,abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出SSLogic框架，通过代理迭代生成和优化可执行的生成器-验证器对，生成具有新规则和难度梯度的任务家族，提升训练效率。

Comments 41 pages, 8 figures, 5 tables in the main body. Project page: https://github.com/AdAstraAbyssoque/Scaling-the-Scaling-Logic, typos corrected, claims cleared

When AI Agents Disagree Like Humans: Reasoning Trace Analysis for Human-AI Collaborative Moderation

当AI代理像人类一样产生分歧：用于人机协作 moderation 的推理轨迹分析

Michał Wawer, Jarosław A. Chudziak

专题命中 规划决策 ：AI agent(title)；agent(abstract)；multi-agent(abstract)

AI总结 本文研究AI代理在仇恨言论 moderation 中的分歧模式，通过推理轨迹分析发现分歧结构比幅度更能预测人类判断需求，提出从共识寻求转向不确定性揭示的多代理设计。

Comments Accepted to the ICLR 2026 Workshop on "From Human Cognition to AI Reasoning: Models, Methods, and Applications (HCAIR)

LensAgent: A Self Evolving Agent for Autonomous Physical Inference of Sub-galactic Structure

LensAgent：一种用于自主物理推断亚银河结构的自演化代理

Xiaotang Feng, Zihan Wang, Zilang Shu, Jean-Paul Kneib, Philip Torr

专题命中 规划决策 ：agent(title,abstract)；agentic(abstract)

AI总结 本文提出LensAgent，一种无需训练的大型语言模型驱动框架，用于自主推断质量分布，克服了质量片退化和手动或神经网络建模的可扩展性问题，成功重建了SLACS Grade A强引力透镜系统的质量分布。

Secure Planning Against Stealthy Attacks via Model-Free Reinforcement Learning

通过模型无关强化学习实现对隐蔽攻击的安全规划

Alper Kamil Bozkurt, Yu Wang, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出利用模型无关强化学习在未知随机环境中实现安全规划，通过将攻击者与控制器视为博弈双方，以线性时序逻辑公式表达其目标，解决在未知环境中满足LTL公式的问题。

Journal ref 2021 IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 10656-10662

ECG Foundation Models and Medical LLMs for Agentic Cardiovascular Intelligence at the Edge: A Review and Outlook

ECG基础模型与医疗大语言模型用于边缘端心血管智能：综述与展望

Mudassir Hasan Khan, Ahmad Nayfeh, Mudassir Masood, Ali Ahmad Al-Shaikhi, Muhammad Mahboob Ur Rahman, Tareq Y. Al-Naffouri

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)

AI总结 本文综述了用于心血管疾病诊断、监测和临床决策支持的ECG基础模型和医疗大语言模型，探讨了其在边缘计算中的应用及未来发展方向。

Comments 18 pages, 4 figures, 4 tables, under review with a journal

Multi-Objective Agentic Rewrites for Unstructured Data Processing

多目标代理重写用于无结构数据处理

Lindsey Linxi Wei, Shreya Shankar, Sepanta Zeighami, Yeounoh Chung, Fatma Ozcan, Aditya G. Parameswaran

专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)

AI总结 MOAR通过引入新的指令类别和全局搜索算法，提升DocETL在准确性和成本上的优化能力，实现更高的准确性并匹配最佳成本。

Comments 24 pages, 8 figures, 12 tables

Battery Electric Truck Infrastructure Co-design via Joint Optimization and Agent-based Simulation

通过联合优化和基于代理的仿真设计电池电动卡车基础设施

Juan Pablo Bertucci, Mauro Salazar, Theo Hofman

专题命中 规划决策 ：agent(title,abstract)；planning(abstract)

AI总结 本文通过联合优化和基于代理的仿真，研究了物流配送网络中充电基础设施与调度的协同设计，验证了优化框架在荷兰案例中的有效性，展示了优化策略在降低成本和减少排队时间方面的优势。

Journal ref IEEE Transactions on Transportation Electrification, vol. 11, no. 5, pp. 11296-11306, 2025

Hierarchical Motion Planning and Control under Unknown Nonlinear Dynamics via Predicted Reachability

通过预测可达性在未知非线性动力学下进行分层运动规划与控制

Zhiquan Zhang, Melkior Ornik

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出一种分层规划-控制框架，通过分步逼近未知非线性系统，利用可达性理论和预测可达性条件保证运动规划的正式可达性。

Agent Contracts: A Formal Framework for Resource-Bounded Autonomous AI Systems

智能体合同：资源受限自主AI系统的正式框架

Qing Ye, Jing Tan

专题命中 规划决策 ：agent(title,abstract)；multi-agent(abstract)

AI总结 本文提出智能体合同框架，通过正式机制规范资源使用和运行时间，实现多智能体协调中的预算守恒与层次化控制，实验显示显著提升效率与资源管理可控性。

Comments v3: Minor fixes and workshop acceptance indication

Aerial Agentic AI: Synergizing LLM and SLM for Low-Altitude Wireless Networks

空域代理AI：融合LLM和SLM用于低空无线网络

Li Dong, Feibo Jiang, Kezhi Wang, Cunhua Pan, Dong In Kim, Ekram Hossain

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)

AI总结 本文提出空域代理AI框架，通过融合小型语言模型和大型语言模型，解决低空无线网络中的计算、通信和实时性冲突问题，实现高效协同与决策优化。

LSAI: A Large Small AI Model Codesign Framework for Agentic Robot Scenarios

LSAI：一种面向智能体机器人场景的大型小型AI模型协同设计框架

Longyu Zhou, Supeng Leng, Tianhao Liang, Jianping Yao

专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)

AI总结 本文提出LSAI框架，通过大小型AI模型深度交互提升机器人协作的准确性和实时性，实验表明其在环境感知准确率和协作延迟方面优于传统方法。

Comments 7 pages

Learning to Sample: Reinforcement Learning-Guided Sampling for Autonomous Vehicle Motion Planning

学习采样：强化学习引导的自主车辆运动规划采样

Korbinian Moller, Roland Stroop, Mattia Piccinini, Alexander Langmann, Johannes Betz

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出一种结合强化学习的采样方法，用于提升自动驾驶车辆在复杂城市环境中的运动规划效率与可靠性。

Comments 8 pages, submitted to the IEEE for possible publication

The Library Theorem: How External Organization Governs Agentic Reasoning Capacity

图书馆定理：外部组织如何支配代理推理能力

Zachary F. Mainen

机构 * Champalimaud Foundation（Champalimaud基金会） 纠错

专题命中 规划决策 ：agentic(title)；agent(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文探讨了外部组织对代理推理能力的影响，通过实验验证了索引外部记忆的代理在检索效率上的优势，并指出语言模型在索引构建与导航协议执行中的分离需求。

Comments 19 pages, 6 figures

PA3: Policy-Aware Agent Alignment through Chain-of-Thought

PA3: 通过链式推理实现政策感知的智能体对齐

Shubhashis Roy Dipta, Daniel Bis, Kun Zhou, Lichao Wang, Benjamin Z. Yao, Chenlei Guo, Ruhi Sarikaya

机构 * University of Maryland, Baltimore County（马里兰大学巴尔的摩分校） ； Amazon Alexa AI（亚马逊Alexa AI） 纠错

专题命中 规划决策 ：agent(title)；tool-use(abstract)；分类 cs.AI、cs.CL、cs.LG

AI总结 本文提出一种多阶段对齐方法，通过链式推理让模型在推理时回忆并应用相关业务政策，无需在上下文中包含完整政策，同时引入PolicyRecall奖励和hallucination惩罚，提升性能并减少字数。

SignAgent: Agentic LLMs for Linguistically-Grounded Sign Language Annotation and Dataset Curation

SignAgent：用于语言学基础的手语标注和数据集整理的代理LLM

Oliver Cory, Ozge Mercanoglu Sincan, Richard Bowden

机构 * Centre for Vision, Speech and Signal Processing（视觉、语音和信号处理中心） 纠错

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)

AI总结 本文提出SignAgent，一种利用大语言模型进行可扩展、语言学基础的手语标注和数据集整理的新框架。通过SignAgent协调器和SignGraph，解决传统方法和手动标注的瓶颈，实现大规模语言感知数据标注。

Interpretable Traffic Responsibility from Dashcam Video via Legal Multi Agent Reasoning

基于法律多智能体推理的可解释交通责任分析

Jingchun Yang, Jinchang Zhang

机构 * Northeast University（东北大学） ； SUNY Binghamton University（纽约州立大学布法罗分校） 纠错

专题命中 规划决策 ：agent(title,abstract)；multi-agent(abstract)

AI总结 本文提出C-TRAIL多模态数据集，结合视频与文本描述，通过两阶段框架实现交通责任判定，优于现有方法并提供透明法律推理过程。

P$^{3}$Nav: End-to-End Perception, Prediction and Planning for Vision-and-Language Navigation

P$^{3}$Nav: 端到端感知、预测与规划用于视觉-语言导航

Tianfu Li, Wenbo Chen, Haoxuan Xu, Xinhu Zheng, Haoang Li

机构 * HKUST(GZ)（香港科技大学（广州）） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 P$^{3}$Nav提出端到端框架，整合感知、预测与规划，提升视觉-语言导航agent的场景理解与导航成功率，实验显示在REVERIE、R2R-CE和RxR-CE基准上取得新状态-of-the-art性能。

From Scanning Guidelines to Action: A Robotic Ultrasound Agent with LLM-Based Reasoning

从扫描指南到行动：基于LLM的机器人超声代理

Yuan Bi, Yiping Zhou, Pei Liu, Feng Li, Zhongliang Jiang, Nassir Navab

专题命中 规划决策 ：agent(title,abstract)；planning(abstract)

AI总结 本文提出一种基于LLM的自主机器人超声扫描框架，通过动态调用软件工具实现自主扫描，提升适应性和透明度。

Comments Code: https://github.com/yuan-12138/RUSSAgent; Video: https://youtu.be/pfMOc4e2IGA

ATCC: Adaptive Concurrency Control for Unforeseen Agentic Transactions

ATCC：面向意外代理事务的自适应并发控制

Weixing Zhou, Zhiyou Wang, Zeshun Peng, Hetian Chen, Yanfeng Zhang, Ge Yu

专题命中 规划决策 ：agentic(title,abstract)；agent(abstract)

AI总结 本文提出ATCC，一种针对意外代理事务的自适应并发控制方法，通过动态调整乐观与悲观执行策略，显著提升事务吞吐量并降低尾部延迟。

Route Fragmentation Based on Resource-centric Prioritisation for Efficient Multi-Robot Path Planning in Agricultural Environments

基于资源优先的路线碎片化方法用于农业环境中高效多机器人路径规划

James R. Heselden, Gautham P. Das

机构 * Lincoln Centre for Autonomous Systems, University of Lincoln, UK（林肯自主系统中心，林肯大学，英国） ； Lincoln Institute for Agri-food Technology, University of Lincoln, UK（林肯农业食品技术研究所，林肯大学，英国） 纠错

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出基于资源优先的路线碎片化方法，用于农业环境中高效多机器人路径规划，通过部分路线进展减少二进制等待影响，提升任务吞吐量。

Comments This work has been submitted to the IEEE for possible publication

Large Language Models as Delivery Rider: Generating Instant Food Delivery Riders' Routing Decision with LLM Agent Framework

大语言模型作为配送骑手：利用LLM代理框架生成即时食品配送骑手的路线决策

Chengbo Zhang, Zuopeng Xiao

专题命中 规划决策 ：agent(title,abstract)；agentic(abstract)

AI总结 本文提出LLM-DR框架，通过基于经验的骑手人设和基于推理的路线过程，模拟配送骑手的异质决策，以研究骑手劳动力战略对系统出行模式的影响。

Comments Proceedings of the 3rd International Conference on Urban Science and Intelligence

SceneAssistant: A Visual Feedback Agent for Open-Vocabulary 3D Scene Generation

SceneAssistant: 一种用于开放词汇3D场景生成的视觉反馈代理

Jun Luo, Jiaxiang Tang, Ruijie Lu, Gang Zeng

机构 * Peking University（北京大学） ； NVIDIA（英伟达） 纠错

专题命中 规划决策 ：agent(title,abstract)；planning(abstract)

AI总结 SceneAssistant通过视觉反馈驱动代理实现开放词汇3D场景生成，结合3D物体生成模型和视觉-语言模型的空间推理能力，生成高质量且多样化的3D场景。

Comments Code: https://github.com/ROUJINN/SceneAssistant

Safe and Stylized Trajectory Planning for Autonomous Driving via Diffusion Model

通过扩散模型实现自动驾驶的安全且风格化的轨迹规划

Shuo Pei, Yong Wang, Yuanchen Zhu, Chen Sun, Qin Li, Yanan Zhao, Huachun Tan

专题命中 规划决策 ：planning(title,abstract)；agent(abstract)

AI总结 本文提出SDD Planner，通过结合多源风格感知编码器和风格引导动态轨迹生成器，实现自动驾驶中安全与风格化轨迹规划的平衡，实验表明其在多个基准测试中表现优异。

Comments 12 pages, 7 figures, submitted to IEEE Transactions on Intelligent Transportation Systems

Agentic AI as a Network Control-Plane Intelligence Layer for Federated Learning over 6G

代理AI作为6G联邦学习的网络控制平面智能层

Loc X. Nguyen, Ji Su Yoon, Huy Q. Le, Yu Qiao, Avi Deb Raha, Eui-Nam Huh, Nguyen H. Tran, Zhu Han, Choong Seon Hong

机构 * Department of Computer Science and Engineering, Kyung Hee University（韩国庆熙大学计算机科学与工程系） ； Department of Artificial Intelligence, Kyung Hee University（韩国庆熙大学人工智能系） ； School of Computer Science, The University of Sydney（悉尼大学计算机科学学院） ； Electrical and Computer Engineering Department, University of Houston（德克萨斯大学休斯顿分校电子与计算机工程系） 纠错

专题命中 规划决策 ：agentic(title,abstract)；planning(abstract)

AI总结 本研究提出一种基于代理AI的网络控制平面智能层，用于6G网络中的联邦学习，通过整合学习与网络管理任务，提升系统在多样化数据训练和严格约束下的性能。