Carnegie Mellon University（卡内基梅隆大学）

Geometric Backstepping Control of Omnidirectional Tiltrotors Incorporating Servo-Rotor Dynamics for Robustness against Sudden Disturbances

面向 omnidirectional 倾转旋翼的几何反推控制：结合伺服旋翼动力学以提高对突发干扰的鲁棒性

Jaewoo Lee, Dongjae Lee, Jinwoo Lee, Hyungyu Lee, Yeonjoon Kim, H. Jin Kim

机构 * Department of Aerospace Engineering, Seoul National University (SNU)（航空航天工程系，首尔国立大学） ； Robotics Institute, Carnegie Mellon University（机器人研究所，卡内基梅隆大学） ； Department of Mechanical Science and Engineering, University of Illinois Urbana-Champaign（机械科学与工程系，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出了一种结合伺服旋翼动力学的几何反推控制器，用于提高 omnidirectional 多旋翼在突发干扰下的鲁棒性和跟踪性能。

Comments Accepted to ICRA 2026

Revela: Dense Retriever Learning via Language Modeling

Revela：通过语言建模进行密集检索器学习

Fengyu Cai, Tong Chen, Xinran Zhao, Sihao Chen, Hongming Zhang, Sherry Tongshuang Wu, Iryna Gurevych, Heinz Koeppl

机构 * Technical University of Darmstadt（达姆施塔特技术大学） ； University of Washington（华盛顿大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Microsoft（微软） ； Tencent AI Lab（腾讯人工智能实验室） 纠错

AI总结 Revela通过语言建模方法实现自监督检索器学习，无需标注数据即可在多个基准上超越监督模型。

Comments Accepted to ICLR 2026 (Oral). Camera-ready version

Interacting safely with cyclists using Hamilton-Jacobi reachability and reinforcement learning

与骑行者安全交互的框架：利用哈密顿-雅可比可达性分析与强化学习

Aarati Andrea Noronha, Jean Oh

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出结合哈密顿-雅可比可达性分析与深度Q学习的框架，用于实现自动驾驶车辆与骑行者的安全高效交互。

Comments 7 pages. This manuscript was completed in 2020 as part of the first author's graduate thesis at Carnegie Mellon University

Memory-Based Advantage Shaping for LLM-Guided Reinforcement Learning

基于记忆的优势塑造用于LLM引导的强化学习

Narjes Nourzad, Carlee Joe-Wong

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出一种基于记忆的优势塑造方法，通过构建记忆图来提升LLM引导强化学习的样本效率和学习速度，减少对连续LLM监督的依赖。

Comments Association for the Advancement of Artificial Intelligence (AAAI)

MIRA: Memory-Integrated Reinforcement Learning Agent with Limited LLM Guidance

MIRA: 集成记忆的强化学习智能体与有限LLM指导

Narjes Nourzad, Carlee Joe-Wong

机构 * University of Southern California（南加州大学） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 MIRA通过集成记忆图减少对LLM的依赖，提升稀疏奖励环境中的强化学习性能。

Comments International Conference on Learning Representations (ICLR'26)

FRSICL: LLM-Enabled In-Context Learning Flight Resource Allocation for Fresh Data Collection in UAV-Assisted Wildfire Monitoring

FRSICL: 基于大语言模型的上下文学习飞行资源分配用于无人机辅助 wildfire 监测中的新鲜数据采集

Yousef Emami, Hao Zhou, Miguel Gutierrez Gaitan, Kai Li, Luis Almeida

机构 * Real-Time and Embedded Computing Systems Research Centre (CISTER)（实时嵌入式计算系统研究中心） ； Carnegie Mellon University（卡内基梅隆大学） ； Pontificia Universidad Católica de Chile（天主教智利大学） ； Instituto de Telecomunicações（电信研究院） ； Faculdade de Engenharia, Universidade do Porto（工程学院，葡萄牙里斯本大学） 纠错

AI总结 本文提出基于大语言模型的上下文学习飞行资源分配方法，用于无人机辅助森林火灾监测中的实时数据采集优化。