机器人 / 具身智能

Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics

机器人世界模型：一种用于机器人鲁棒策略优化的神经网络模拟器

Chenhao Li, Andreas Krause, Marco Hutter

机构 * ETH Zurich（苏黎世联邦理工学院） 纠错

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

AI总结 本文提出了一种基于神经网络的机器人世界模型，通过双自回归机制和自监督训练实现鲁棒的长周期预测，从而提升机器人策略优化的效率和适应性。

Meta Policy Switching for Secure UAV Deconfliction in Adversarial Airspace

元策略切换用于对抗性空域中的安全无人机脱困

Deepak Kumar Panda, Weisi Guo

机构 * Faculty of Engineering and Applied Sciences, Cranfield University（工程与应用科学学院，克兰菲尔德大学） 纠错

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

AI总结 本研究提出元策略切换框架，通过动态选择稳健策略提升无人机在对抗性空域中的安全导航能力。

Reinforcement Learning based 6-DoF Maneuvers for Microgravity Intravehicular Docking: A Simulation Study with Int-Ball2 in ISS-JEM

基于强化学习的6自由度微重力舱内对接 maneuver：Int-Ball2在ISS-JEM中的仿真研究

Aman Arora, Matteo El-Hariry, Miguel Olivares-Mendez

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

AI总结 本文提出基于强化学习的六自由度微重力舱内对接方法，通过仿真研究Int-Ball2机器人在ISS-JEM中的对接性能，验证了其在复杂环境下的稳定性和可靠性。

Comments Presented at AI4OPA Workshop at the International Conference on Space Robotics (iSpaRo) 2025 at Sendai, Japan

Toward Ambulatory Vision: Learning Visually-Grounded Active View Selection

迈向便携视觉：基于视觉的主动视角选择

Juil Koo, Daehyeon Choi, Sangwoo Youn, Phillip Y. Lee, Minhyuk Sung

机构 * KAIST（韩国科学技术院） 纠错

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

AI总结 本文提出基于视觉的主动视角选择方法，通过仅利用当前图像中的视觉信息来选择最有信息量的视角，从而提升视觉问答的性能和泛化能力。

Comments Project page: https://active-view-selection.github.io/

MPC-Guided Safe Reinforcement Learning and Lipschitz-Based Filtering for Structured Nonlinear Systems

MPC引导的安全强化学习与基于Lipschitz的过滤用于结构非线性系统

Patrick Kostelac, Xuerui Wang, Anahita Jamshidnejad

机构 * Delft University of Technology（代尔夫特理工大学） 纠错

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

AI总结 本文提出结合MPC与RL的框架，通过安全控制边界和Lipschitz过滤器实现结构非线性系统的安全可控性。