机器人 / 具身智能

When Robots Sleep: Offline Skill Consolidation for Shared-Policy Robot Learning

当机器人睡眠时：面向共享策略机器人学习的离线技能巩固

Nethmi Jayasinghe, Diana Gontero, Amit Ranjan Trivedi

机构 * University of Illinois at Chicago（伊利诺伊大学芝加哥分校） 纠错

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

AI总结 提出睡眠-觉醒框架，通过冻结技能记忆和纳什谈判梯度组合，解决多技能学习中的技能耦合崩溃问题，在Meta-World和SurgicAI上显著提升成功率和可靠性。

UniCon: A Unified System for Efficient Robot Learning Transfers

UniCon：一种高效的机器人学习迁移统一系统

Yunfeng Lin, Li Xu, Yong Yu, Jiangmiao Pang, Weinan Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； AI Laboratory, Chongqing Changan Automobile Co. Ltd.（重庆长安汽车股份有限公司人工智能实验室） 纠错

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

AI总结 UniCon通过标准化状态、控制流程和仪器化，解决了异构机器人间部署学习控制器的挑战，采用模块化数据导向方法实现仿真到现实的无缝迁移，减少代码冗余并提高推理效率。

Comments The article has been accepted by Frontiers of Computer Science (FCS), with the DOI: {10.1007/s11704-026-52064-1}

Efficient Camera Pose Augmentation for View Generalization in Robotic Policy Learning

高效的相机姿态增强用于机器人策略学习中的视角泛化

Sen Wang, Huaiyi Dong, Jingyi Tian, Jiayi Li, Zhuo Yang, Tongtong Cao, Anlin Chen, Shuang Wu, Le Wang, Sanping Zhou

机构 * Xi'an Jiaotong University（西安交通大学） ； Noah's Ark Lab（诺亚方舟实验室） 纠错

专题命中 机器人学习 ：robotic(title)；分类 cs.RO

AI总结 本文提出GenSplat框架，通过新颖视角渲染实现视角泛化的策略学习，利用3D高斯点云重建和3D先验蒸馏策略，增强策略在空间扰动下的鲁棒性。

Multi-Robot Learning-Informed Task Planning Under Uncertainty

多机器人学习引导的任务规划在不确定性下

Abhish Khanal, Abhishek Paudel, Hung Pham, Gregory J. Stein

机构 * Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系） 纠错

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

AI总结 本文提出一种多机器人规划方法，结合学习估计不确定环境因素与基于模型的长期协调规划，以高效完成复杂任务。

Comments 8 pages, 8 figures. Accepted at ICRA 2026

Articulated-Body Dynamics Network: Dynamics-Grounded Prior for Robot Learning

关节体动力学网络：用于机器人学习的动力学先验

Sangwoo Shin, Kunzhao Ren, Xiaobin Xiong, Josiah P. Hanna

机构 * University of Wisconsin–Madison（威斯康星大学麦迪逊分校） ； Shanghai Innovation Institute (SII)（上海创新研究院） 纠错

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

AI总结 本文提出ABD-Net，一种基于关节体动力学的图神经网络，通过继承动力学结构提升机器人策略学习效率与鲁棒性。

Comments Arxiv_r2

TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment

TactAlign: 通过触觉对齐实现人到机器人的政策转移

Youngsun Wi, Jessica Yin, Elvis Xiang, Akash Sharma, Jitendra Malik, Mustafa Mukadam, Nima Fazeli, Tess Hellebrekers

机构 * Meta FAIR 纠错

专题命中 机器人学习 ：robot policy(title)；分类 cs.RO

AI总结 TactAlign通过触觉对齐方法实现了人到机器人的政策转移，无需配对数据或人工标注，适用于多种接触丰富任务并具备良好的泛化能力。

Comments Website: https://yswi.github.io/tactalign/

Beyond Predefined Actions: Integrating Behavior Trees and Dynamic Movement Primitives for Robot Learning from Demonstration

David Cáceres Domínguez, Erik Schaffernicht, Todor Stoyanov

机构 * Center for Applied Autonomous Sensor Systems (AASS)（应用自主传感系统中心） 纠错

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

Comments 14 pages, 6 figures, accepted (not yet published) at IAS19 2025 conference

LuciBot: Automated Robot Policy Learning from Generated Videos

Xiaowen Qiu, Yian Wang, Jiting Cai, Zhehuan Chen, Chunru Lin, Tsun-Hsuan Wang, Chuang Gan

专题命中 机器人学习 ：robot policy(title)；分类 cs.CV

Exciting Contact Modes in Differentiable Simulations for Robot Learning

Hrishikesh Sathyanarayan, Ian Abraham

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

Simulation-aided Learning from Demonstration for Robotic LEGO Construction

Ruixuan Liu, Alan Chen, Xusheng Luo, Changliu Liu

专题命中 机器人学习 ：robotic(title)；分类 cs.RO

Dynamic Mirror Descent based Model Predictive Control for Accelerating Robot Learning

Utkarsh A. Mishra, Soumya R. Samineni, Prakhar Goel, Chandravaran Kunjeti, Himanshu Lodha, Aman Singh, Aditya Sagi, Shalabh Bhatnagar, Shishir Kolathaya

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

Comments 8 pages, 4 figures. arXiv admin note: substantial text overlap with arXiv:2110.12239

Efficient Policy Learning for Non-Stationary MDPs under Adversarial Manipulation

Tiancheng Yu, Suvrit Sra

专题命中 机器人学习 ：manipulation(title)；分类 cs.LG

Comments There is a problem in the Theorem 1. We will try to fix it and update a new version

Using Approximate Models in Robot Learning

Ali Lenjani

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

EgoTac: In-the-wild Tactile Prediction from Egocentric Vision

EgoTac：从第一视角视觉实现野外环境下的触觉预测

Wenkang Zhang, Chengbo Yuan, Zicheng Zhang, Zhengxue Cheng, Yang Gao

机构 * Shanghai Qi Zhi Institute（上海期智研究院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； Fudan University（复旦大学） 纠错

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

AI总结 本文提出EgoTac模型，利用超570万组图像-触觉对训练，可从第一视角视觉预测触觉，在域内及域外测试中性能优于现有方法，能为机器人学习提供触觉先验。

SeFA-Policy: Fast and Accurate Visuomotor Policy Learning with Selective Flow Alignment

SeFA策略：基于选择性流对齐的快速准确视觉运动策略学习

Rong Xue, Jiageng Mao, Mingtong Zhang, Yue Wang

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

AI总结 针对机器人模仿学习中视觉运动策略学习难题，提出SeFA框架，用选择性流对齐策略，借助专家示范纠正动作，统一整流流效率与观测一致动作生成，实验显示其超越现有策略，准确性、鲁棒性高且推理延迟大幅降低。

Robot Self-Improvement via Human-Video Dynamics Models

机器人通过人类视频动力学模型自我改进

Hanzhi Chen, Anran Zhang, Simon Schaefer, Kejia Chen, Shi Chen, Daniel Cremers, Oier Mees, Stefan Leutenegger

机构 * ETH Zurich（苏黎世联邦理工学院） ； Technical University of Munich（慕尼黑工业大学） ； Microsoft（微软） ； MCML（慕尼黑机器学习中心） 纠错

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

AI总结 提出DGAC方法，利用人类视频学习跨本体的动作、动力学和价值表征，使机器人能从自身失败中自主改进，在7个真实操作任务中将成功率从40%提升至81%。

Visual Verification Enables Inference-time Steering and Autonomous Policy Improvement

视觉验证实现推理时引导与自主策略改进

Mingtong Zhang, Dhruv Shah

机构 * Princeton University（普林斯顿大学） 纠错

专题命中 机器人学习 ：robot policy(abstract)；robotic(abstract)；分类 cs.RO、cs.AI

AI总结 提出VERITAS框架，利用预训练通用机器人策略作为生成器，结合无梯度视觉验证器在推理时评估动作，实现无需额外训练的推理时策略引导和离线策略改进。

Comments Website: https://veritas-improvement.github.io

EgoKit: Towards Unified Low-Cost Egocentric Data Collection with Heterogeneous Devices

EgoKit: 向统一低成本第一人称视角数据采集迈进：异构设备

Liuchuan Yu, Erdem Murat, Beichen Wang, Yan Zeng, Tingting Luo, Huizhen Zhou, Shanghao Li, Huining Feng, Zhigen Zhao, Ning Yang, Ke Jing, Yunhao Liu, Ruoya Sheng

机构 * George Mason University（乔治·马歇尔大学） ； ByteDance（字节跳动） 纠错

专题命中 机器人学习 ：robot learning(abstract)；embodied AI(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出EgoKit，一种统一六种异构设备的第一人称视角数据采集工具包，解决了不同设备间SDK差异和数据采集不一致的问题，同时提供统一的日志格式和手部追踪数据。

FLASH: Efficient Visuomotor Policy via Sparse Sampling

FLASH：通过稀疏采样实现高效的视觉-运动策略

Jiaqi Bai, Jindou Jia, Yuxuan Hu, Gen Li, Xiangyu Chen, Tuo An, Kuangji Zuo, Jianfei Yang

机构 * MARS Lab, Nanyang Technological University, Singapore（马尔萨实验室，南洋理工大学，新加坡） 纠错

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

AI总结 FLASH通过稀疏采样和Legendre多项式轨迹表示，提升视觉-运动策略学习效率，实现更长的动作时间跨度和更快的推理速度，实验表明其在多个任务中达到最先进的性能。

Comments 19 pages, 10 figures

Rodrigues Network for Learning Robot Actions

罗德里格斯网络用于学习机器人动作

Jialiang Zhang, Haoran Geng, Yang You, Congyue Deng, Pieter Abbeel, Jitendra Malik, Leonidas Guibas

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； UC Berkeley（加州大学伯克利分校） 纠错

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

AI总结 本文提出罗德里格斯网络，通过引入运动学先验知识提升机器人动作学习性能，验证了其在动作预测和手部重建中的有效性。

Comments ICLR 2026

Action Images: End-to-End Policy Learning via Multiview Video Generation

动作图像：通过多视图视频生成实现端到端策略学习

Haoyu Zhen, Zixian Gao, Qiao Sun, Yilin Zhao, Yuncong Yang, Yilun Du, Pengsheng Guo, Tsun-Hsuan Wang, Yi-Ling Qiao, Chuang Gan

机构 * UMass Amherst（马萨诸塞大学阿默斯特分校） ； NVIDIA（英伟达） ； Harvard University（哈佛大学） ； Genesis AI 纠错

专题命中 机器人学习 ：world model(abstract)；robot policy(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出Action Images，通过多视图视频生成实现策略学习，利用像素化的动作表示，使视频模型本身成为零样本策略，提升视频-动作联合生成质量。

Comments Project Page: https://actionimages.github.io/

STAR: Learning Diverse Robot Skill Abstractions through Rotation-Augmented Vector Quantization

STAR：通过旋转增强的向量量化学习多样化的机器人技能抽象

Hao Li, Qi Lv, Rui Shao, Xiang Deng, Yinchuan Li, Jianye Hao, Liqiang Nie

机构 * School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）计算机科学与技术学院） ； Huawei Noah's Ark Lab（华为诺亚方舟实验室） 纠错

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

AI总结 STAR通过旋转增强的向量量化和因果技能变压器，提升机器人技能学习与组合，实现复杂行为完成，在LIBERO基准和现实任务中表现优越。

Comments Accepted by ICML 2025 Spotlight

Journal ref Proceedings of the 42st International Conference on Machine Learning, PMLR 267, 2025

FODMP: Fast One-Step Diffusion of Movement Primitives Generation for Time-Dependent Robot Actions

FODMP：快速一步扩散运动原形生成用于时间依赖机器人动作

Xirui Shi, Arya Ebrahimi, Yi Hu, Jun Jin

机构 * University of Alberta（阿尔伯塔大学） 纠错

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

AI总结 FODMP通过单步解码器生成时间结构化运动，提升机器人实时控制性能，速度比MPD快10倍，能拦截快速飞来的球。

S-VAM: Shortcut Video-Action Model by Self-Distilling Geometric and Semantic Foresight

S-VAM：通过自蒸馏几何和语义前瞻性构建快捷视频动作模型

Haodong Yan, Zhide Zhong, Jiaguan Zhu, Junjie He, Weilin Yuan, Wenxuan Song, Xin Gong, Yingjie Cai, Guanyi Zhao, Xu Yan, Bingbing Liu, Ying-Cong Chen, Haoang Li

机构 * The Hong Kong University of Science ； Technology (Guangzhou) Huawei Foundation Model Department 纠错

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

AI总结 S-VAM通过自蒸馏策略实现单次前向传递生成几何和语义表示，提升动作预测效率，实验证明在复杂环境中优于现有方法。

RealWonder: Real-Time Physical Action-Conditioned Video Generation

RealWonder: 基于实时物理动作的视频生成

Wei Liu, Ziyu Chen, Zizhang Li, Yue Wang, Hong-Xing Yu, Jiajun Wu

机构 * Stanford University（斯坦福大学） ； University of Southern California（南加州大学） 纠错

专题命中 机器人学习 ：robot learning(abstract)；robotic(abstract)；分类 cs.AI、cs.CV

AI总结 RealWonder通过物理模拟实现实时动作条件视频生成，利用3D重建、物理模拟和简化视频生成器，在单张图像基础上生成高质量视频，适用于多种物理场景。

Comments The first two authors contributed equally. The last two authors advised equally. Project website: https://liuwei283.github.io/RealWonder/

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

Translating Flow to Policy via Hindsight Online Imitation

通过回顾在线模仿将流翻译为政策

Yitian Zheng, Zhangchen Ye, Weijun Dong, Shengjie Wang, Yuyang Liu, Chongjie Zhang, Chuan Wen, Yang Gao

机构 * Institute for Interdisciplinary Information Sciences, Tsinghua University（清华大学交叉信息研究院） ； University of California San Diego（加州大学圣地亚哥分校） ； Washington University in St. Louis（圣路易斯华盛顿大学） ； Shanghai Jiao Tong University（上海交通大学） ； Shanghai Qi Zhi Institute（上海启智研究所） 纠错

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

AI总结 通过回顾在线模仿将流翻译为政策，利用2D点流作为高层规划器，在模拟和现实任务中实现超过2倍的性能提升。

ViSA-Flow: Accelerating Robot Skill Learning via Large-Scale Video Semantic Action Flow

Changhe Chen, Quantao Yang, Xiaohao Xu, Nima Fazeli, Olov Andersson

机构 * University of Michigan（密歇根大学） ； Division of Robotics, Perception and Learning (RPL), KTH Royal Institute of Technology（机器人、感知与学习 division，皇家理工学院） 纠错

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

EBT-Policy: Energy Unlocks Emergent Physical Reasoning Capabilities

Travis Davies, Yiqi Huang, Alexi Gladstone, Yunxin Liu, Xiang Chen, Heng Ji, Huxian Liu, Luhui Hu

机构 * ZhiCheng AI（智成AI） ； UIUC（伊利诺伊大学香槟分校） ； Tsinghua University（清华大学） ； Peking University（北京大学） 纠错

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

Comments 9 pages, 6 figures, 4 tables

DINOv3-Diffusion Policy: Self-Supervised Large Visual Model for Visuomotor Diffusion Policy Learning

ThankGod Egbe, Peng Wang, Zhihao Guo, Zidong Chen

机构 * Department of Computing and Mathematics, Manchester Metropolitan University（计算与数学系，曼彻斯特 Metropolitan 大学） ； Department of Computing, Imperial College London（计算系，帝国理工学院伦敦分校） 纠错

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