机器人 / 具身智能

Deadlock-Free Hybrid RL-MAPF Framework for Zero-Shot Multi-Robot Navigation

无死锁的混合式RL-MAPF框架用于零样本多机器人导航

Haoyi Wang, Licheng Luo, Yiannis Kantaros, Bruno Sinopoli, Mingyu Cai

机构 * Department of Mechanical Engineering University of California Riverside CA USA（加州大学河滨分校机械工程系） ； Department of Electrical and Systems Engineering Washington University in St. Louis MO USA（华盛顿大学圣路易斯分校电气与系统工程系） 纠错

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

AI总结 本文提出一种无死锁的混合RL-MAPF框架，通过整合反应性RL导航与按需MAPF干预，实现零样本多机器人导航的鲁棒性能。

Comments 18 pages (including appendix), 3 figures. Project page (videos, animations, additional resources): https://wanghaoyi518.github.io/rl-mapf-project-page/

DHP: Discrete Hierarchical Planning for Hierarchical Reinforcement Learning Agents

DHP：用于分层强化学习代理的离散分层规划

Shashank Sharma, Janina Hoffmann, Vinay Namboodiri

机构 * Department of Computer Science University of Bath（计算机科学系巴斯大学） ； Department of Psychology University of Bath（心理学系巴斯大学） 纠错

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

AI总结 DHP通过离散可达性检查和递归分解任务，提升分层强化学习代理在长距离视觉规划中的效率和泛化能力。

Planning as Descent: Goal-Conditioned Latent Trajectory Synthesis in Learned Energy Landscapes

规划作为下降：在学习的能量景观中进行目标条件化潜在轨迹合成

Carlos Vélez García, Miguel Cazorla, Jorge Pomares

机构 * University of Alicante（阿利坎特大学） 纠错

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

AI总结 PaD通过学习目标条件化能量函数实现离线无奖励规划，以验证为基础进行轨迹合成，取得95%的成功率并优于现有方法。

NeuRehab: A Reinforcement Learning and Spiking Neural Network-Based Rehab Automation Framework

NeuRehab：一种基于强化学习和脉冲神经网络的康复自动化框架

Phani Pavan Kambhampati, Chainesh Gautam, Jagan Palaniswamy, Madhav Rao

专题命中 模仿学习与强化学习 ：robotic(abstract)

AI总结 NeuRehab通过结合强化学习和脉冲神经网络，实现康复自动化框架，优化功耗和延迟，提升神经形态部署性能。

Comments 18 pages, 22 figures, 3 tables, for submission to IOP Neuromorphic Computing and Engineering