机器人 / 具身智能

Quantization-Aware Collaborative Inference for Large Embodied AI Models

量化感知的协作推理用于大体型具身AI模型

Zhonghao Lyu, Ming Xiao, Mikael Skoglund, Merouane Debbah, H. Vincent Poor

机构 * Department of Information Science and Engineering, KTH Royal Institute of Technology（信息科学与工程系，皇家理工学院） ； Research Institute for Digital Future, Khalifa University（数字未来研究院，哈利法大学） ； Department of Electrical and Computer Engineering, Princeton University（电气与计算机工程系，普林斯顿大学） 纠错

专题命中 机器人数据与评测 ：embodied AI(title,abstract)；embodied agent(abstract)；分类 cs.LG

AI总结 本文提出了一种量化感知的协作推理方法，通过联合优化量化位宽和计算频率，以在资源受限的具身AI系统中平衡推理质量、延迟和能耗。

Towards a Neuronally Consistent Ontology for Robotic Agents

迈向机器人代理的神经一致本体

Florian Ahrens, Mihai Pomarlan, Daniel Beßler, Thorsten Fehr, Michael Beetz, Manfred Herrmann

机构 * University of Bremen, Department of Neuropsychology（不莱梅大学神经心理学系） ； University of Bremen, Institute for Linguistics（不莱梅大学语言学研究所） ； University of Bremen, Institute for Artificial Intelligence（不莱梅大学人工智能研究所） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；分类 cs.RO

AI总结 本文提出通过分析人类神经影像数据，使机器人代理的本体模型更符合人类神经信息处理特性。

Comments Preprint of paper accepted for the European Conference on Artificial Intelligence (ECAI) 2023 (minor typo corrections)

Journal ref ECAI.2023. 372 (2023) 36-43

Embodied Agents Meet Personalization: Investigating Challenges and Solutions Through the Lens of Memory Utilization

具身智能体与个性化：通过记忆利用的视角探讨挑战与解决方案

Taeyoon Kwon, Dongwook Choi, Hyojun Kim, Sunghwan Kim, Seungjun Moon, Beong-woo Kwak, Kuan-Hao Huang, Jinyoung Yeo

机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学） ； Department of Computer Science and Engineering, Texas A&M University（计算机科学与工程系，德克萨斯大学） 纠错

专题命中 机器人数据与评测 ：embodied agent(title,abstract)

AI总结 本文提出MEMENTO框架，通过分析记忆利用中的挑战，设计了基于层次知识图谱的用户档案记忆模块，提升智能体在个性化任务中的表现。

Comments Accepted at ICLR 2026

Sim2real Image Translation Enables Viewpoint-Robust Policies from Fixed-Camera Datasets

Sim2real图像翻译实现从固定相机数据集的视角鲁棒策略

Jeremiah Coholich, Justin Wit, Robert Azarcon, Zsolt Kira

机构 * Institute of Robotics and Intelligent Machine（机器人与智能机器研究所） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

专题命中 机器人数据与评测 ：manipulation(abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 MANGO通过无配对图像翻译方法，从固定相机数据集生成视角鲁棒的机器人策略，显著提升现实任务中的视角适应能力。

The Conditions of Physical Embodiment Enable Generalization and Care

物理具身的条件使泛化和关怀成为可能

Leonardo Christov-Moore, Arthur Juliani, Alex Kiefer, Joel Lehman, Nicco Reggente, B. Scot Rousse, Adam Safron, Nicolás Hinrichs, Daniel Polani, Antonio Damasio

机构 * Institute for Advanced Consciousness Studies（先进意识研究所） ； Monash Centre for Consciousness and Contemplative Studies（莫纳什意识与冥想研究中心） ； University of Oxford（牛津大学） ； Topos Institute（拓斯研究所） ； Allen Discovery Center（艾伦发现中心） ； Okinawa Institute of Science and Technology（冲绳科学技术研究所） ； Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） ； University of Hertfordshire（赫特福德郡大学） ； Brain and Creativity Institute（大脑与创造力研究所） 纠错

专题命中 机器人数据与评测 ：embodied agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出物理具身的条件是泛化和关怀的基础，通过稳态驱动和因果建模实现智能体在开放环境中的鲁棒性和可信对齐。

Comments 15 pages, 1 figure

R3DPA: Leveraging 3D Representation Alignment and RGB Pretrained Priors for LiDAR Scene Generation

R3DPA：利用3D表示对齐和RGB预训练先验知识进行LiDAR场景生成

Nicolas Sereyjol-Garros, Ellington Kirby, Victor Besnier, Nermin Samet

专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.CV

AI总结 R3DPA通过结合3D表示对齐和RGB预训练先验知识，实现LiDAR场景生成的先进性能。

Comments ICRA 2026

Constrained PSO Six-Parameter Fuzzy PID Tuning Method for Balanced Optimization of Depth Tracking Performance in Underwater Vehicles

受约束的PSO六参数模糊PID调优方法用于水下车辆深度跟踪性能的平衡优化

Yanxi Ding, Tingyue Jia

机构 * School of Engineering China University of Petroleum-Beijing at Karamay（工程学院中国石油大学（北京）克拉玛依校区） 纠错

专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.RO

AI总结 本文提出一种受约束的PSO六参数模糊PID调优方法，用于提升水下车辆深度跟踪性能，通过优化控制能量和饱和水平，显著降低误差和超调，提高系统响应速度。

Evolutionary Generative Optimization: Towards Fully Data-Driven Evolutionary Optimization via Generative Learning

进化生成优化：通过生成学习实现完全数据驱动的进化优化

Tao Jiang, Kebin Sun, Zhenyu Liang, Ran Cheng, Yaochu Jin, Kay Chen Tan

专题命中 机器人数据与评测 ：robotic(abstract)

AI总结 EvoGO通过生成学习实现完全数据驱动的进化优化，提升优化精度和适应性，优于传统EAs、贝叶斯优化和强化学习方法。

Comments Accepted by IEEE TEVC