机器人 / 具身智能

The Horcrux: Mechanistically Interpretable Task Decomposition for Detecting and Mitigating Reward Hacking in Embodied AI Systems

霍克鲁斯：用于检测和缓解具身AI系统中奖励黑客行为的可解释任务分解

Subramanyam Sahoo, Jared Junkin

机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全计划（BASIS）伯克利大学） ； Department of Electrical and Computer Engineering Johns Hopkins University（电气与计算机工程系约翰霍普金斯大学） 纠错

专题命中 模仿学习与强化学习 ：embodied AI(title,abstract)；分类 cs.LG；robotic(comments)

AI总结 本研究提出MITD方法，通过可解释性任务分解有效检测和缓解具身AI系统中的奖励黑客行为，实验表明分解深度可显著降低奖励黑客频率。

Comments Accepted to the NeurIPS (Mexico City) 2025 Workshop on Embodied and Safe-Assured Robotic Systems (E-SARS). Thanks to Aman Chadha

Accelerating Reinforcement Learning via Error-Related Human Brain Signals

通过误差相关的人脑信号加速强化学习

Suzie Kim, Hye-Bin Shin, Hyo-Jeong Jang

机构 * Dept. of Artificial Intelligence Korea University Seoul, Republic of Korea（人工智能系韩国大学首尔共和国） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；navigation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI

AI总结 通过整合误差相关的人脑信号，加速复杂机器人操作中的强化学习，提升任务成功率。

How to Train Your Latent Control Barrier Function: Smooth Safety Filtering Under Hard-to-Model Constraints

如何训练您的潜在控制障碍函数：在难以建模的约束下实现平滑的安全过滤

Kensuke Nakamura, Arun L. Bishop, Steven Man, Aaron M. Johnson, Zachary Manchester, Andrea Bajcsy

专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 本文提出LatentCBF方法，通过梯度惩罚和价值训练解决潜在空间中不兼容价值函数的问题，实现平滑安全过滤并提升任务完成率。

Comments 3 figures, 10 tables, 22 pages

ReAlign: Text-to-Motion Generation via Step-Aware Reward-Guided Alignment

ReAlign：通过步感知奖励引导对齐实现文本到动作生成

Wanjiang Weng, Xiaofeng Tan, Junbo Wang, Guo-Sen Xie, Pan Zhou, Hongsong Wang

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.CV

AI总结 ReAlign通过步感知奖励模型和引导策略提升文本到动作生成的对齐和质量。

Comments Accepted by AAAI 2026

Dreaming Falcon: Physics-Informed Model-Based Reinforcement Learning for Quadcopters

梦之鹰：用于四旋翼的物理引导模型基强化学习

Eashan Vytla, Bhavanishankar Kalavakolanu, Andrew Perrault, Matthew McCrink

机构 * The Ohio State University（俄亥俄州立大学） 纠错

专题命中 模仿学习与强化学习 ：world model(abstract)；分类 cs.RO

AI总结 本文提出一种基于物理引导的世界模型方法，用于改进四旋翼的强化学习性能，通过物理模型预测力矩和状态展开，提升动态环境下的鲁棒性。

Text-to-Decision Agent: Offline Meta-Reinforcement Learning from Natural Language Supervision

基于文本的决策代理：从自然语言监督中进行离线元强化学习

Shilin Zhang, Zican Hu, Wenhao Wu, Xinyi Xie, Jianxiang Tang, Chunlin Chen, Daoyi Dong, Yu Cheng, Zhenhong Sun, Zhi Wang

机构 * Nanjing University（南京大学） ； University of Technology Sydney（悉尼大学） ； The Chinese University of Hong Kong（香港中文大学） ； Australian National University（澳大利亚国立大学） ； University of New South Wales（新南威尔士大学） 纠错

专题命中 模仿学习与强化学习 ：world model(abstract)；分类 cs.AI

AI总结 本文提出T2DA，通过自然语言监督实现离线元强化学习，利用文本-决策预训练提升零样本泛化能力。

Comments 32 pages, 8 figures

MARL-CC: A Mathematical Framework forMulti-Agent Reinforcement Learning in ConnectedAutonomous Vehicles: Addressing Nonlinearity,Partial Observability, and Credit Assignment forOptimal Control

MARL-CC：多智能体强化学习在连接自动驾驶车辆中的数学框架：解决非线性、部分可观测性和信用分配以实现最优控制

Mazyar Taghavi, Javad Vahidi

专题命中 模仿学习与强化学习 ：robotics(abstract)

AI总结 MARL-CC提出了一种统一的数学框架，通过整合微分几何控制、贝叶斯推断和夏普利值信用分配，解决多智能体强化学习中的非线性、部分可观测性和信用分配问题，提升收敛速度和协同效率。

LLM4Laser: Large Language Models Automate the Design of Lasers

LLM4Laser: 利用大语言模型自动化激光器设计

Renjie Li, Ceyao Zhang, Sixuan Mao, Xiyuan Zhou, Feng Yin, Sergios Theodoridis, Zhaoyu Zhang

专题命中 模仿学习与强化学习 ：robotics(abstract)

AI总结 本文提出利用大语言模型实现激光器设计自动化，通过对话生成仿真和强化学习代码，实现从概念到算法的全流程自动化设计。

Comments 14 pages, 10 figures