IEEE RA-L

Sim2Real Diffusion: Leveraging Foundation Vision Language Models for Adaptive Automated Driving

Sim2Real Diffusion：利用基础视觉语言模型实现自适应自动驾驶

Chinmay Vilas Samak, Tanmay Vilas Samak, Bing Li, Venkat Krovi

机构 * Department of Automotive Engineering, Clemson University International Center for Automotive Research (CU-ICAR)（汽车工程系，克莱姆森大学国际汽车研究中心（CU-ICAR）） 纠错

AI总结 本文提出Sim2Real Diffusion框架，利用基础视觉语言模型实现自动驾驶的跨领域适应，通过条件潜在扩散提升sim2real转换性能。

Comments Accepted in IEEE Robotics and Automation Letters (RA-L)

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 177-184, Jan. 2026

Non-Gaited Legged Locomotion with Monte-Carlo Tree Search and Supervised Learning

非步态化腿式运动与蒙特卡洛树搜索及监督学习

Ilyass Taouil, Lorenzo Amatucci, Majid Khadiv, Angela Dai, Victor Barasuol, Giulio Turrisi, Claudio Semini

机构 * Dynamic Legged Systems Laboratory, Istituto Italiano di Tecnologia (IIT), Genova, Italy（动态腿系统实验室，意大利技术研究院（IIT），意大利热那亚） ； D AI Laboratory, Technical University of Munich (TUM), Germany（3D人工智能实验室，慕尼黑技术大学（TUM），德国） ； ATARI Laboratory, MIRMI, Technical University of Munich (TUM), Germany（ATARI实验室，MIRMI，慕尼黑技术大学（TUM），德国） 纠错

AI总结 本研究通过结合蒙特卡洛树搜索和监督学习，提出了一种适用于实时应用的非步态化腿式运动优化方法，通过学习最优价值函数加速步态规划并在仿真和硬件上验证其性能。

Journal ref IEEE Robotics and Automation Letters, 2025, vol. 10, no. 2, pp. 1265-1272

I've Changed My Mind: Robots Adapting to Changing Human Goals during Collaboration

我改变了想法：在协作中机器人适应变化的人类目标

Debasmita Ghose, Oz Gitelson, Ryan Jin, Grace Abawe, Marynel Vazquez, Brian Scassellati

机构 * Department of Computer Science, Yale University（计算机科学系，耶鲁大学） 纠错

AI总结 本文提出了一种机器人在协作中适应变化的人类目标的方法，通过跟踪动作序列和递推时间规划提高目标预测准确性。

Comments Accepted to RA-L

Risk Map As Middleware: Towards Interpretable Cooperative End-to-end Autonomous Driving for Risk-Aware Planning

风险地图作为中间件：迈向风险感知的可解释协作端到端自动驾驶

Mingyue Lei, Zewei Zhou, Hongchen Li, Jiaqi Ma, Jia Hu

机构 * Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室，同济大学） ； UCLA Mobility Lab, University of California, Los Angeles（加州大学洛杉矶分校UCLA移动实验室） 纠错

AI总结 本文提出RiskMM框架，通过风险地图中间件提升自动驾驶的可解释性和风险感知规划能力。

Comments IEEE RA-L