IEEE RA-L

Redesigning Regularization for Effective Policy Smoothing

重新设计正则化以实现有效的策略平滑

Taisuke Kobayashi, Naoto Yamanaka

机构 * National Institute of Informatics (NII)（国立信息学研究所） ； The Graduate University for Advanced Studies (SOKENDAI)（综合研究大学院大学） 纠错

AI总结 针对强化学习中策略平滑问题，本文指出现有正则化实现的理论与实践差异，提出改进方案，在多个任务和算法中实现平滑运动并提升控制性能，并在四足机器人仿真到现实迁移中验证了平滑性对目标速度突变鲁棒性的提升。

Comments submitted to RA-L

G-MAPP: GPU-accelerated Multi-Agent Planning and Perception for Reactive Motion Generation

G-MAPP: 基于GPU加速的多智能体规划与感知用于反应式运动生成

Tanmay Bishnoi, Riddhiman Laha, Tobias Löw, Jose Alex Chandy, Luis F. C. Figueredo, Sami Haddadin

机构 * Department of Electrical, Computer, and Biomedical Engineering, Toronto Metropolitan University（多伦多都会大学电气、计算机与生物医学工程系） ； Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM)（慕尼黑工业大学慕尼黑机器人与机器智能研究所） ； Institute for Experiential Robotics, Northeastern University（东北大学体验式机器人研究所） ； Idiap Research Institute（Idiap 研究所） ； EPFL（瑞士联邦理工学院洛桑） ； CHART Group at the School of Computer Science, University of Nottingham（诺丁汉大学计算机科学学院 CHART 小组） ； Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学） 纠错

AI总结 提出GPU加速的框架，通过并行状态探索和紧密耦合感知-动作循环，实现非结构化环境中的实时反应式运动生成，在7自由度机器人上达到5倍加速并成功避障。

Comments The implementation is available at: https://github.com/chart-research/g-mapp

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 6, pp. 7516-7523, June 2026