机器人 / 具身智能

Data-Efficient Hierarchical Goal-Conditioned Reinforcement Learning via Normalizing Flows

通过归一化流实现数据高效的分层目标条件强化学习

Shaswat Garg, Matin Moezzi, Brandon Da Silva

机构 * ArenaX Labs（ArenaX实验室） 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；robotics(comments)

AI总结 本文提出基于归一化流的分层隐式Q学习框架，通过提升策略表达能力与数据效率，实现更稳健的长周期任务学习。

Comments 9 pages, 3 figures, IEEE International Conference on Robotics and Automation 2026

Self-Augmented Robot Trajectory: Efficient Imitation Learning via Safe Self-augmentation with Demonstrator-annotated Precision

自增强机器人轨迹：通过安全自增强实现高效的模仿学习

Hanbit Oh, Masaki Murooka, Tomohiro Motoda, Ryoichi Nakajo, Yukiyasu Domae

机构 * AIST（日本产业技术综合研究所） 纠错

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

AI总结 SART通过安全自增强技术，从单次人类演示中高效学习机器人轨迹，提升数据收集效率并减少碰撞风险。

Comments 21 pages, 10 figures, Advanced Robotics accepted 2026.02.03

ReSPEC: A Framework for Online Multispectral Sensor Reconfiguration in Dynamic Environments

ReSPEC：动态环境中在线多光谱传感器重新配置框架

Yanchen Liu, Yuang Fan, Minghui Zhao, Xiaofan Jiang

机构 * Department of Electrical Engineering, Columbia University（电气工程系，哥伦比亚大学） 纠错

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

AI总结 ReSPEC框架通过强化学习实现动态多光谱传感器重新配置，提升机器人在复杂环境下的感知效率与资源利用率。

Comments 8 pages, 4 figures. This work has been submitted to the IEEE for possible publication

HypeRL: Hypernetwork-Based Reinforcement Learning for Control of Parametrized Dynamical Systems

HypeRL: 基于超网络的强化学习用于参数化动力系统控制

Nicolò Botteghi, Stefania Fresca, Mengwu Guo, Andrea Manzoni

机构 * MOX - Department of Mathematics Politecnico di Milano（米兰理工数学系MOX部门） ； Department of Mechanical Engineering University of Washington（华盛顿大学机械工程系） ； Centre for Mathematical Sciences Lund University（卢德大学数学科学中心） 纠错

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

AI总结 HypeRL通过超网络强化学习方法，解决参数化动力系统控制问题，实现高效泛化和优化。