机器人 / 具身智能

ReWorld: Multi-Dimensional Reward Modeling for Embodied World Models

ReWorld：面向具身世界模型的多维奖励建模

Baorui Peng, Wenyao Zhang, Liang Xu, Zekun Qi, Jiazhao Zhang, Hongsi Liu, Wenjun Zeng, Xin Jin

机构 * Eastern Institute of Technology（东部技术研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） 纠错

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

AI总结 ReWorld通过多维奖励建模提升具身世界模型的物理真实性和任务完成能力

CREATE: Cross-Layer Resilience Characterization and Optimization for Efficient yet Reliable Embodied AI Systems

CREATE: 跨层韧性表征与优化以实现高效且可靠的具身AI系统

Tong Xie, Yijiahao Qi, Jinqi Wen, Zishen Wan, Yanchi Dong, Zihao Wang, Shaofei Cai, Yitao Liang, Tianyu Jia, Yuan Wang, Runsheng Wang, Meng Li

专题命中 模仿学习与强化学习 ：embodied AI(title,abstract)；embodied agent(abstract)

AI总结 CREATE提出了一种跨层韧性优化方法，通过电路、模型和应用层面的协同设计，实现高效且可靠的具身AI系统。

Comments 18 pages, 21 figures. Accepted by ASPLOS 2026

Emergence of Roles in Robotic Teams with Model Sharing and Limited Communication

机器人团队中角色涌现：模型共享与有限通信

Ian O'Flynn, Harun Šiljak

机构 * EEE Department（电子工程系） ； Trinity College Dublin（都柏林信任学院） 纠错

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

AI总结 通过集中学习和模型共享，该方法在机器人团队中促进角色分化，减少计算能耗并应用于现实场景。

Comments Accepted for 2025 8th International Balkan Conference on Communications and Networking (Balkancom)

Object-Centric Latent Action Learning

基于对象的潜在动作学习

Albina Klepach, Alexander Nikulin, Ilya Zisman, Denis Tarasov, Alexander Derevyagin, Andrei Polubarov, Nikita Lyubaykin, Igor Kiselev, Vladislav Kurenkov

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

AI总结 本文提出了一种基于对象的潜在动作学习框架，通过自监督对象中心预训练解耦代理与干扰背景动态，提升动作标签的鲁棒性，从而改善模仿学习和代理适应效率。

Comments Accepted by AAAI 2026 (Oral). Source code: https://github.com/dunnolab/object-centric-lapo

MimicKit: A Reinforcement Learning Framework for Motion Imitation and Control

MimicKit：一种用于运动模仿与控制的强化学习框架

Xue Bin Peng

机构 * Simon Fraser University（西蒙弗雷泽大学） ； NVIDIA（英伟达） 纠错

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

AI总结 MimicKit 通过运动模仿和强化学习结合，提供统一的运动控制训练框架，支持计算机图形学和机器人学的研究与应用。

Astra: Efficient Transformer Architecture and Contrastive Dynamics Learning for Embodied Instruction Following

Astra：面向具身指令跟随的高效Transformer架构与对比动态学习

Yueen Ma, Dafeng Chi, Shiguang Wu, Yuecheng Liu, Yuzheng Zhuang, Irwin King

机构 * Department of Computer Science and Engineering, The Chinese University of Hong Kong（计算机科学与工程系，香港中文大学） ； Huawei Noah’s Ark Lab（华为诺亚实验室） 纠错

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

AI总结 Astra通过引入轨迹注意力和对比动态学习目标，提升了具身指令跟随任务中多模态序列处理的效率与准确性。

Comments Accepted to EMNLP 2025 (main). Published version: https://aclanthology.org/2025.emnlp-main.688/ Code available at: https://github.com/yueen-ma/Astra