机器人 / 具身智能

Rethinking Demonstration Unlearning in Imitation Learning for Robotics

机器人模仿学习中演示数据遗忘的重新思考

Jiazhuo Li, Yu Zhang, Yiming Fei, Kangkang Dong, Xiaojun Zhu, Houde Liu, Jinze Tao

机构 * University of Michigan（密歇根大学） ； Zhejiang University（浙江大学） ； Wuhan University of Technology（武汉理工大学） 纠错

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

AI总结 本研究针对机器人模仿学习的演示数据遗忘问题，提出双维度联合审计方法，在ACT机械臂实验中实现了20次试验18次成功的盲测恢复。

Comments 21 pages, 7 figures, 14 tables

Can you see how I learn? Human observers' inferences about Reinforcement Learning agents' learning processes

你能看到我是如何学习的吗？人类观察者对强化学习智能体学习过程的推断

Bernhard Hilpert, Muhan Hou, Kim Baraka, Joost Broekens

机构 * Leiden University（莱顿大学） ； Vrije Universiteit Amsterdam（阿姆斯特丹自由大学） 纠错

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

AI总结 本研究通过两项实验开发了评估人类对强化学习智能体学习推断的范式，明确人类解释智能体学习的核心主题，为设计可解释RL系统及提升人机交互透明度提供了见解。

SRL-MPC: Shape-Aware Reinforcement Learned Model Predictive Control

SRL-MPC：形状感知强化学习模型预测控制

Ruihua Han, Rui Gao, Zhe Liu, Xinyi Wang, Chang Chen, Shuai Wang, Qi Hao, Jia Pan, Hengshuang Zhao

机构 * The University of Hong Kong（香港大学） ； Southern University of Science and Technology（南方科技大学） ； University of Michigan（密歇根大学） ； Shenzhen Institutes of Advanced Technology（深圳先进技术研究院） 纠错

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

AI总结 针对异构人群与机器人集群的形状感知导航难题，提出SRL-MPC方法，结合MPC的安全泛化性与RL的适应性，实验显示其在安全性、适应性上优于基准方法。

Maximum Likelihood Reinforcement Learning

最大似然强化学习

Fahim Tajwar, Guanning Zeng, Yueer Zhou, Yuda Song, Daman Arora, Yiding Jiang, Jeff Schneider, Ruslan Salakhutdinov, Haiwen Feng, Andrea Zanette

机构 * Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家） ； School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家） 纠错

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

AI总结 MaxRL是一种基于采样的强化学习框架，通过最大似然估计提升模型训练效率，实验显示其在多个任务中表现优于现有方法。

Comments ICML 2026. Project website: this https URL (https://zanette-labs.github.io/MaxRL/)