机器人 / 具身智能

mjlab: A Lightweight Framework for GPU-Accelerated Robot Learning

mjlab: 一种轻量级的GPU加速机器人学习框架

Kevin Zakka, Qiayuan Liao, Brent Yi, Louis Le Lay, Koushil Sreenath, Pieter Abbeel

机构 * UC Berkeley（加州大学伯克利分校） ； Sorbonne University（索邦大学） 纠错

专题命中 机器人学习 ：robot learning(title,abstract)；manipulation(abstract)；分类 cs.RO

AI总结 mjlab是一种轻量级GPU加速机器人学习框架，结合可组合环境和MuJoCo Warp，提供快速安装和直接访问原生数据结构的功能，并附带三种任务的参考实现。

Comments Comments: 11 pages; Code is available at https://github.com/mujocolab/mjlab ; Expanded sensor and domain randomization sections, added references, minor edits

ArtVIP: Articulated Digital Assets of Visual Realism, Modular Interaction, and Physical Fidelity for Robot Learning

ArtVIP: 具象化数字资产、模块化交互与物理真实性的机器人学习

Zhao Jin, Zhengping Che, Tao Li, Zhen Zhao, Kun Wu, Yuheng Zhang, Yinuo Zhao, Zehui Liu, Qiang Zhang, Xiaozhu Ju, Jing Tian, Yousong Xue, Jian Tang

机构 * Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Beijing Institute of Architectural Design（北京建筑设计研究院） 纠错

专题命中 机器人学习 ：robot learning(title,abstract)；robotic(abstract)；分类 cs.RO

AI总结 ArtVIP通过高真实感的数字资产和模块化交互行为，提升机器人学习的仿真与现实桥梁，推动强化学习和模仿学习实验的应用

Journal ref The International Conference on Learning Representations (ICLR) 2026

Neuro-Symbolic Generation of Explanations for Robot Policies with Weighted Signal Temporal Logic

神经符号生成机器人策略的解释性说明以加权信号时序逻辑

Mikihisa Yuasa, Ramavarapu S. Sreenivas, Huy T. Tran

机构 * The Grainger College of Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校格拉inger工程学院） 纠错

专题命中 机器人学习 ：robotics(abstract,journal_ref)；robot policy(abstract)；robotic(abstract)；分类 cs.RO

AI总结 本文提出神经符号生成方法，通过加权信号时序逻辑生成简洁、一致且严格的解释，提升机器人策略的可解释性和安全性。

Journal ref IEEE Robotics and Automation Letters, vol. 11, pp. 3963-3970, 2026

Heuristic Adaptation of Potentially Misspecified Domain Support for Likelihood-Free Inference in Stochastic Dynamical Systems

潜在不规范领域支持的启发式适应用于随机动态系统中的似然自由推断

Georgios Kamaras, Craig Innes, Subramanian Ramamoorthy

机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） 纠错

专题命中 机器人学习 ：robotics(abstract)；manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 本文提出三种启发式方法，用于改进随机动态系统中似然自由推断的支持适应，提升参数推断和策略学习的鲁棒性。

Comments 20 pages, 18 figures