期刊&会议
Conference on Robot Learning · 会议 · Robotics
通过显著性引导增强提升行为克隆中的视觉域鲁棒性
机构 * KTH Royal Institute of Technology（皇家理工学院） ； Aalto University（阿尔托大学）
AI总结 该研究针对行为克隆中常规增强方法应对视觉域偏移效果差的问题，提出RoboSaGA显著性引导增强方法，提升了模型的视觉域鲁棒性且保留了域内性能。
Comments Accepted at the Conference on Robot Learning (CoRL) 2024
Journal ref CoRL 2024
米洛，一款完全自主的室内/室外机器人导盲犬
机构 * Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； Polytechnique Montreal（蒙特利尔理工大学）
AI总结 研究旨在开发机器人导盲犬平台，核心方法是构建含改装机器人、感知与导航堆栈的系统，主要贡献是实现完全自主、室内外可用的米洛平台，开源软硬件，且导航表现优于基线。
Comments Submitted to CoRL 2026. The Milo project website is available here: https://fgolemo.github.io/milo
SLAC：通过无监督模拟预训练实现安全高效的真实机器人强化学习
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony AI（索尼人工智能） ； Amazon Robotics（亚马逊机器人技术）
AI总结 研究旨在解决高自由度机器人强化学习难题，提出SLAC方法，利用低保真模拟器预训练潜在动作空间，通过定制无监督方法训练并用于新型离策略算法，在双手移动操纵任务中达领先性能，高效学习复杂任务。
Comments Preliminary version at CoRL 2025
在重要时刻思考：用于社交导航的基于RL策略的条件VLM推理
机构 * Institut des Systèmes Intelligents et de Robotique (ISIR)（智能系统与机器人研究所）
AI总结 研究社交机器人导航中强化学习策略缺乏语义推理能力的问题，提出HUMA混合架构，动态平衡RL策略与VLM的优势。在基准测试中任务成功率提高，减少碰撞，消融研究验证组件，实际部署证明方法可行。
Comments CoRL 2026 submission. 15 pages, 7 figures
Qantara：用于多范式联合嵌入预测架构控制的桥流训练
机构 * T-Tech
AI总结 研究针对联合嵌入预测架构（JEPAs）单一推理范式问题，提出Qantara，通过端到端联合训练目标，同一检查点服务三种推理范式，提升控制性能，推动JEPAs从单范式规划器向多范式控制器转变。
Comments 16 pages, 3 figures, 6 tables. Project page: https://corl-team.github.io/qantara
物理可行世界模型中的路径规划
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
AI总结 提出物理可行世界模型，通过物理仿真生成修改后的场景，使机器人能在部署前评估未来地形变化对路径可行性的影响。
Comments 18 pages, 7 figures, submitted to CORL
TactX: 跨不同传感器的共享触觉表示学习
机构 * UC San Diego（加州大学圣地亚哥分校） ； Seoul National University（首尔大学） ； Amazon FAR（亚马逊FAR）
AI总结 提出TactX框架，通过配对接触数据训练模态特定编码器，将电阻、磁和视觉三种触觉传感器的观测映射到共享潜空间，实现零样本策略迁移，平均成功率从27.5%提升至45.9%。
Comments Submitted to CoRL 2026. 16 pages, 8 figures
G$^3$VLA：视觉-语言-动作模型的几何归纳偏置
机构 * New York University Shanghai（上海纽约大学） ； Technical University of Denmark（丹麦技术大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校）
AI总结 提出G$^3$VLA模块，通过射线嵌入、投影位置编码和跨视图融合为VLA模型注入相机几何先验，无需深度传感器，在多个基准和真实机器人上提升空间敏感任务性能。
Comments Submitted to CoRL 2026
MirrorDuo：基于镜像演示对的反射一致视觉运动学习
机构 * Division of Robotics, Perception and Learning（机器人、感知与学习 division）
AI总结 提出MirrorDuo方法，通过反射一致性为每个原始演示生成镜像副本，实现数据增强，在相同数据预算下显著提升行为克隆性能，并支持零/少样本技能迁移。
Comments Published in CoRL 2025
Journal ref CoRL 2025
一个演示胜过千条轨迹：用于视觉运动策略的动作-视角增强
机构 * Stanford University（斯坦福大学） ； Columbia University（哥伦比亚大学） ； Toyota Research Institute（丰田研究所）
AI总结 提出一种数据增强框架，通过高斯泼溅和轨迹优化生成逼真的鱼眼图像序列和物理可行的动作轨迹，提升操作策略在场景变化和障碍物下的成功率。
Comments Project website: https://chuerpan.com/1001-demos.github.io/. Published at CoRL 2025
Journal ref Proceedings of The 9th Conference on Robot Learning, PMLR 305:3902-3914, 2025
从我们所拥有的学习：在线推理过去交互的历史感知验证器
机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； Computer Science and Technology, Tsinghua University（清华大学计算机科学与技术系）
AI总结 提出历史感知验证器HAVE，通过解耦动作生成与验证，利用历史交互在线消除歧义，理论证明其提升期望动作质量，在多个模拟和真实环境中验证有效性。
Comments CoRL 2025
输出级正则化消除单GPU VLA微调中的种子彩票
机构 * Skolkovo Institute of Science and Technology (Skoltech)（斯科尔科沃科学技术研究所）
AI总结 发现单GPU微调VLA-JEPA时存在种子彩票现象（随机种子导致性能骤降29%），归因于输出坍塌，提出输出级正则化（VICReg、Dropout、减半学习率）可完全消除该问题。
Comments 10 pages, 8 figures, submitted to CoRL 2026
针对世界模型以破坏机器人学习流程
机构 * Northeastern University（东北大学） ； University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
AI总结 本文提出针对世界模型的新型数据投毒攻击方法，通过注入恶意提示或转换动态，在看似安全的数据中生成危险训练轨迹，导致下游策略不安全。
Comments 8 Pages, CoRL Preprint
Symskill：符号与技能共发明用于数据高效且反应性强的长周期操作
机构 * GRASP Laboratory, University of Pennsylvania（GRASP实验室，宾夕法尼亚大学）
AI总结 Symskill通过联合学习谓词、运算符和技能，实现了数据高效且反应性强的长周期操作，结合了组合泛化与实时恢复能力。
Comments ICRA 2026 Best Conference Paper Award; ICRA 2026 Best Paper Award on Planning and Control; CoRL 2025 Best Paper Award on Learning Effective Abstractions for Planning (LEAP) Workshop (https://symskill.github.io/)
MPCoT: 奖励引导的多路径潜在推理用于测试时可扩展的视觉-语言-动作
机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Computer Science, Tsinghua University（清华大学计算机系）
AI总结 提出MPCoT框架，通过奖励引导的多路径潜在推理，在保持零推理令牌和原始动作接口的同时，提升长时域和高不确定性控制任务中的VLA策略性能。
Comments 14 pages, 5 figures, submitted to CoRL
MoDex：用于顺序多物体灵巧抓取的扩散策略
机构 * Department of Robotics, Perception and Learning, KTH Royal Institute of Technology（机器人、感知与学习系，皇家理工学院） ； Robotics and Autonomous Systems at University of Turku（图尔库大学机器人与自主系统）
AI总结 提出MoDex扩散策略，通过对抗空间和点云条件预测抓取姿态，实现单只灵巧手顺序抓取多物体而不释放已抓物体，并通过两阶段训练（模仿学习+强化学习微调）提升成功率。
Comments Submitted to CoRL 2026
PAC-Bayes 控制：学习能够证明在新环境中泛化的能力的策略
机构 * Department of Mechanical and Aerospace Engineering（1,2 机械与航空航天工程系） ； Department of Computer Science Princeton University（3 计算机科学系 纽约大学普林斯顿分校）
AI总结 本文提出了一种基于PAC-Bayes框架的机器人策略学习方法，通过在新环境中泛化能力的理论分析，为机器人系统提供强泛化保证。
Comments Extended version of paper presented at the 2018 Conference on Robot Learning (CoRL)
面向城市环境的条件性 affordance 学习
机构 * Chair of Robotics Science and System Intelligence, Technical University of Munich（慕尼黑技术大学机器人科学与系统智能系）
AI总结 本文提出了一种直接感知方法，通过将视频输入映射到适合复杂城市环境自主导航的中间表示，结合高层方向输入，实现了比现有强化学习和条件模仿学习方法更高的目标导向导航性能，并首次通过图像级标签处理交通灯和速度标志，显著减少模拟中的交通事故。
Comments Accepted for Conference on Robot Learning (CoRL) 2018
一种数据高效且精确可控的推动作方法
机构 * Department of Mechanical Engineering — Massachusetts Institute of Technology（机械工程系——麻省理工学院）
AI总结 本文提出了一种数据高效的方法，通过学习动态模型来控制复杂机械系统，仅需10个数据点即可完成复杂的推动作轨迹。
Comments Maria Bauza and Francois R. Hogan contributed equally to this work. 10 pages, 5 figures
Journal ref CoRL 2018
在不确定性和混合动力学下的高效机器人运动规划
机构 * Department of Mechanical Engineering（机械工程系） ； Department of Computer Science（计算机科学系） ； University of Texas at Austin, USA（得克萨斯大学奥斯汀分校）
AI总结 本文提出了一种分层POMDP规划器，用于在存在不确定性的情况下为混合动力学模型生成成本优化的运动计划，通过将非线性动力学分解为离散的局部动力学模型，从而有效减少状态不确定性。
Comments 2nd Conference on Robot Learning (CoRL 2018), Zurich, Switzerland
Lyapunov神经网络：用于安全学习动力系统的自适应稳定性认证
机构 * Department of Mechanical and Process Engineering（机械与过程工程系） ； Department of Computer Science（计算机科学系）
AI总结 本文提出了一种学习准确安全证书的方法，用于非线性闭环动力系统，通过构造Lyapunov函数神经网络和适应最大安全区域形状的训练算法，以确保安全学习。
Comments Proc. of the 2nd Conference on Robot Learning (CoRL 2018)
MBMF：基于模型的先验用于无模型强化学习
AI总结 本文提出一种结合模型与无模型强化学习的方法，通过学习概率动力学模型作为先验，提升数据效率和成本效益。
Comments After we submitted the paper for consideration in CoRL 2017 we found a paper published in the recent past with a similar method (see related work for a discussion). Considering the similarities between the two papers, we have decided to retract our paper from CoRL 2017
EaDex: 一种基于低成本演示的跨形态灵巧操作框架
机构 * Faculty of Robot Science and Engineering, Northeastern University（机器人科学与工程学院，东北大学） ； Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究所，中国科学院） ； School of Automation, Nanjing University of Information Science and Technology（自动化学院，南京信息科学技术大学）
AI总结 提出EaDex框架，通过RGB-D相机捕捉人手运动并构建结构化演示数据，结合基于接触奖励的动态演示退火机制，在低成本演示条件下实现多形态灵巧操作的快速学习和训练。
Comments 11 pages, 5 figures, Conference: CoRL 2026, Submitted as Preprint
Phantom: 仅使用人类视频训练机器人，无需机器人
机构 * Stanford University（斯坦福大学）
AI总结 提出一种仅从人类视频演示中训练机器人操作策略的框架，通过手部姿态估计和视觉数据编辑将人类演示转化为机器人兼容的观察-动作对，实现零样本部署并达到最高92%的成功率。
Comments Project website at https://phantom-human-videos.github.io
Journal ref The 9th Conference on Robot Learning (CoRL 2025)
ThinkGrasp: 一种用于杂乱环境战略部件抓取的视觉-语言系统
机构 * Northeastern University（东北大学） ； Boston Dynamics AI Institute（波士顿动力人工智能研究所）
AI总结 ThinkGrasp利用GPT-4o的上下文推理能力，在复杂环境中实现高效抓取，通过目标导向语言逐步清除障碍物，提升抓取成功率。
Comments Accepted at CoRL 2024. Project Website:(https://h-freax.github.io/thinkgrasp_page/)
多模态融合学习用于解决机器人任务规划中的广义旅行商问题
机构 * Central South University（中南大学） ； National University of Singapore（新加坡国立大学）
AI总结 本文提出多模态融合学习框架，通过图和图像表示捕捉问题互补方面，生成高质量实时任务规划方案，实验表明其在各类GTSP实例中性能优于现有方法。
Comments 14 pages, 6 figures, Proceedings of the Conference on Robot Learning (CoRL 2025)
伪模拟用于自动驾驶
机构 * University of Tübingen, Tübingen AI Center（图宾根大学，图宾根人工智能中心） ； NVIDIA Research（NVIDIA研究） ； Robert Bosch GmbH（罗伯特·博世集团） ； OpenDriveLab at Shanghai Innovation Institute（上海创新研究院自动驾驶实验室） ； University of Stuttgart（斯图加特大学） ； University of Toronto（多伦多大学） ； Vector Institute（向量研究所） ； Stanford University（斯坦福大学）
AI总结 本文提出伪模拟方法，通过在真实数据上生成合成观测，提升自动驾驶评估的现实性和效率，实现与闭环模拟更紧密的关联。
Comments CoRL 2025, updated with leaderboard snapshot from March 2026
FOMO-3D：利用视觉基础模型进行长尾3D目标检测
机构 * Waabi ； University of Toronto（多伦多大学）
AI总结 FOMO-3D通过利用视觉基础模型的丰富先验知识和多模态融合设计，提升长尾3D目标检测的性能。
Comments Published at 9th Annual Conference on Robot Learning (CoRL 2025)
通过分层共自博弈强化学习掌握多无人机 volleyball
机构 * Tsinghua University（清华大学）
AI总结 本文提出分层共自博弈强化学习框架，通过三阶段训练流水线实现多无人机volleyball任务的高水平战略协调与低水平敏捷控制，实验显示其在胜率和团队行为涌现方面的优越性能。
Comments Accepted by CoRL 2025
OpenGVL -- 视觉时间进程数据整理的基准测试
机构 * Lute ； IDEAS Research Institute（IDEAS研究机构） ； Simple Automation ； Poznań University of Technology（波兹南技术大学） ； University of Warsaw（华沙大学）
AI总结 OpenGVL通过评估开源模型在时序任务预测中的表现，揭示其在机器人数据整理中的局限性，并提供自动化数据筛选的实用工具。
Comments Workshop on Making Sense of Data in Robotics: Composition, Curation, and Interpretability at Scale at CoRL 2025
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈