IEEE RA-L

Unveiling Uncertainty-Aware Autonomous Cooperative Learning Based Planning Strategy

揭示面向不确定性的自主协作学习规划策略

Shiyao Zhang, Liwei Deng, Shuyu Zhang, Weijie Yuan, Hong Zhang

AI总结 本文提出基于深度强化学习的自主协作规划框架DRLACP，通过门控循环单元改进SAC算法，有效应对多车辆协作规划中的感知、规划和通信不确定性，实验证明其在不同场景下优于基线方法。

Comments Accepted by IEEE RA-L

Visual-Tactile Peg-in-Hole Assembly Learning from Peg-out-of-Hole Disassembly

基于视觉-触觉的 peg-in-hole 组装学习：从 peg-out-of-hole 解组装中学习

Yongqiang Zhao, Xuyang Zhang, Zhuo Chen, Matteo Leonetti, Emmanouil Spyrakos-Papastavridis, Shan Luo

机构 * Department of Engineering, King’s College London（工程系，伦敦国王学院） ； Department of Informatics, King’s College London（信息学院，伦敦国王学院） 纠错

AI总结 本文提出一种基于视觉-触觉的 peg-in-hole 组装学习框架，利用其逆过程 peg-out-of-hole 解组装来促进组装学习。通过将两者统一为部分可观测马尔可夫决策过程，利用解组装策略的轨迹反向和随机化提供专家数据，从而提升组装任务的成功率。

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 6, pp. 6712-6719, June 2026