机器人 / 具身智能

Advancing Embodied Intelligence in Robotic-Assisted Endovascular Procedures: A Systematic Review of AI Solutions

推进机器人辅助血管内手术中的具身智能：人工智能解决方案的系统综述

Tianliang Yao, Bo Lu, Markus Kowarschik, Yixuan Yuan, Hubin Zhao, Sebastien Ourselin, Kaspar Althoefer, Junbo Ge, Peng Qi

机构 * Department of Control Science and Engineering, College of Electronics and Information Engineering, and Shanghai Institute of Intelligent Science and Technology, Tongji University（控制科学与工程系，电子信息工程学院，上海智能科学技术研究院，同济大学） ； Department of Electronic Engineering, Faculty of Engineering, The Chinese University of Hong Kong（电子工程系，工程学院，香港中文大学） ； Robotics and Microsystems Center, School of Mechanical and Electrical Engineering, Soochow University（机器人与微系统中心，机械与电气工程学院，苏州大学） ； Siemens Healthineers Advanced Therapies (AT), Forchheim, Bavaria（西门子医疗先进治疗（AT）, Forchheim, 巴伐利亚） ； HUB of Intelligent Neuro-Engineering (HUBIN), CREATe, Division of Surgery & Interventional Science, University College London（智能神经工程中心（HUBIN），CREATE，外科与介入科学系，伦敦大学学院） ； School of Biomedical Engineering & Imaging Sciences, King’s College London（生物医学工程与成像科学学院，伦敦国王学院） 纠错

专题命中 模仿学习与强化学习 ：robotic(title,abstract)；robotics(abstract)；navigation(abstract)；分类 cs.RO、cs.LG

AI总结 本文系统综述了人工智能在机器人辅助血管内手术中具身智能的应用，探讨了其挑战与未来发展方向。

Comments 20 pages, 6 figures

Memo: Training Memory-Efficient Embodied Agents with Reinforcement Learning

备忘录：通过强化学习训练内存高效的具身智能体

Gunshi Gupta, Karmesh Yadav, Zsolt Kira, Yarin Gal, Rahaf Aljundi

机构 * University of Oxford（牛津大学） ； Georgia Tech University（佐治亚理工学院） ； Toyota Motor Europe（丰田欧洲公司） 纠错

专题命中 模仿学习与强化学习 ：embodied agent(title,abstract)；navigation(abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 Memo通过在训练过程中交错周期性总结标记与输入，实现内存高效的具身智能体强化学习训练，优于长上下文基线并更高效。

Comments Accepted for Spotlight Presentation at NeurIPS 2025

Periodic Skill Discovery

周期性技能发现

Jonghae Park, Daesol Cho, Jusuk Lee, Dongseok Shim, Inkyu Jang, H. Jin Kim

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

AI总结 周期性技能发现（PSD）通过无监督学习发现具有不同周期的技能，提升复杂机器人任务中的表现和多样性。

Comments NeurIPS 2025

Interactive Groupwise Comparison for Reinforcement Learning from Human Feedback

基于交互式组间比较的强化学习从人类反馈中学习

Jan Kompatscher, Danqing Shi, Giovanna Varni, Tino Weinkauf, Antti Oulasvirta

机构 * Aalto University（阿尔托大学） ； University of Cambridge（剑桥大学） ； University of Trento（特伦特大学） ； KTH Royal Institute of Technology（皇家理工学院） 纠错

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

AI总结 本文提出交互式组间比较方法，通过可视化和主动学习提升强化学习从人类反馈中学习的奖励和策略效果。

Comments 10 pages, 8 figures in proceedings of Computer Graphics Forum

Exposing Vulnerabilities in RL: A Novel Stealthy Backdoor Attack through Reward Poisoning

揭示强化学习中的漏洞：通过奖励污染的新型隐秘后门攻击

Bokang Zhang, Chaojun Lu, Jianhui Li, Junfeng Wu

专题命中 模仿学习与强化学习 ：manipulation(abstract)；robot learning(comments)

AI总结 本文提出通过奖励污染对强化学习代理进行隐秘后门攻击，展示了在不同环境中攻击的有效性和隐蔽性。

Comments Workshop on Safe and Robust Robot Learning for Operation in the Real World at CoRL 2025