机器人 / 具身智能

Reinforcement learning with timed constraints for robotics motion planning

具有时间约束的强化学习用于机器人运动规划

Zhaoan Wang, Junchao Li, Mahdi Mohammad, Shaoping Xiao

机构 * Department of Mechanical Engineering, Iowa Technology Institute, University of Iowa（机械工程系，Iowa技术研究所，爱荷华大学） ； Talus Renewables, Inc.（Talus Renewables公司） ； Department of Industrial, Electronic, and Mechanical Engineering, Roma Tre University（工业、电子和机械工程系，罗马三大学） 纠错

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

AI总结 本文提出了一种基于自动机的强化学习框架，用于在满足MITL时间约束的MDP和POMDP中合成策略，通过时间限制确定性广义巴克斯自动机实现时间正确性和性能优化。

Flattening Hierarchies with Policy Bootstrapping

通过策略自举 flattening 层次结构

John L. Zhou, Jonathan C. Kao

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

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

AI总结 本文提出一种通过自举子目标策略训练平坦目标条件策略的方法，解决长horizon任务中GCRL扩展难题，实现高维控制性能提升。

Comments NeurIPS 2025 (Spotlight, top 3.2%)

Can Optimal Transport Improve Federated Inverse Reinforcement Learning?

最优传输能否改进联邦逆强化学习？

David Millard, Ali Baheri

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

AI总结 本文提出基于最优传输的联邦逆强化学习方法，通过Wasserstein均值融合提升跨异构环境的奖励估计一致性。