机器人 / 具身智能

RoboScape-R: Unified Reward-Observation World Models for Generalizable Robotics Training via RL

RoboScape-R: 通用机器人训练的统一奖励-观测世界模型

Yinzhou Tang, Yu Shang, Yinuo Chen, Bingwen Wei, Xin Zhang, Shu'ang Yu, Liangzhi Shi, Chao Yu, Chen Gao, Wei Wu, Yong Li

机构 * Tsinghua University（清华大学） ； Manifold AI 纠错

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

AI总结 RoboScape-R通过统一奖励-观测世界模型提升机器人训练的泛化能力，实现37.5%的性能提升。

The Duality of Generative AI and Reinforcement Learning in Robotics: A Review

生成式人工智能与强化学习在机器人中的双重性：综述

Angelo Moroncelli, Vishal Soni, Marco Forgione, Dario Piga, Blerina Spahiu, Loris Roveda

机构 * SUPSI（瑞士苏黎世联邦理工学院） 纠错

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

AI总结 本文综述了生成式人工智能与强化学习在机器人中的双重性，探讨了两者的整合方法、挑战及未来研究方向。

Comments Submitted for publication to Information Fusion

Journal ref Information Fusion Volume 129, May 2026, 104003

Multi-Agent Reinforcement Learning and Real-Time Decision-Making in Robotic Soccer for Virtual Environments

多智能体强化学习与虚拟环境中的实时决策在机器人足球中的应用

Aya Taourirte, Md Sohag Mia

机构 * Nanjing University of Information Science and Technology（南京信息工程大学） 纠错

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

AI总结 本文提出了一种统一的多智能体强化学习框架，通过分层强化学习和均值场理论，提升了机器人足球中的实时决策与协作性能。

Autonomous Reinforcement Learning Robot Control with Intel's Loihi 2 Neuromorphic Hardware

自主强化学习机器人控制与英特尔Loihi 2神经形态硬件

Kenneth Stewart, Roxana Leontie, Samantha Chapin, Joe Hays, Sumit Bam Shrestha, Carl Glen Henshaw

机构 * U.S. Naval Research Laboratory Naval（美国海军研究实验室） ； Intel Labs（英特尔实验室） 纠错

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

AI总结 本文提出将强化学习策略转换为神经形态硬件的端到端流程，用于实现低功耗的机器人控制。

Comments Submitted for review at NICE 2026 (Neuro-Inspired Computational Elements) conference

ContactRL: Safe Reinforcement Learning based Motion Planning for Contact based Human Robot Collaboration

ContactRL: 基于接触的人机协作中的安全强化学习运动规划

Sundas Rafat Mulkana, Ronyu Yu, Tanaya Guha, Emma Li

机构 * School of Computing Science, University of Glasgow（计算科学学院，格拉斯哥大学） 纠错

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

AI总结 ContactRL通过力反馈强化学习实现安全高效的物理协作，提升人机协作任务的安全性和效率。

Comments 8 pages, 7 figures