机器人与具身智能领域的最新论文，以及每篇对产业的意义。
Reinforcement Learning (RL) substantially improves planning performance in autonomous-driving Vision-Language-Action (VLA) models. However, existing RL methods rely on scalar trajectory rewards that measure overall quality but fail to identify specific planning errors or provide actionable correction signals.
Existing real-world reinforcement learning methods improve robot policies by combining human corrections with autonomous rollouts. However, accumulated experience varies in its value for policy improvement, and even successful trajectories can contain inefficient or redundant behavior, motivating more selective experience reuse.
Generalist robot policies are trained with imitation learning and are bounded by the quality and coverage of their demonstrations. Reinforcement learning can improve and extend them, either by fine-tuning the policy weights or by training a small module to steer the input noise of a frozen generative policy.
Multi-agent reinforcement learning (MARL) has become a prominent research direction, particularly within collective robotics, where the ARGoS simulator is widely used to study emergent swarm behavior. Yet despite this growth, systematic support for reuse and reproducibility in MARL-based swarm robotics remains limited and insufficiently standardized: a single experiment is assembled from manually aligned simulator files, training scripts, configuration values, paths, seeds, and environment details, so reuse and reproduction stay fragile even within one research group.
这篇arXiv预印本尚未经过同行评审。作者提出UniIntervene++，一种在真实机器人在线强化学习中动态分配自主执行与多种辅助行为的干预智能体。它在五个真实操作任务上平均成功率达89.67%，比最强基线高6个百分点，人类介入率仅0.77%，比基线中最低的14.29%相对降低94.6%。
BVER 是一个预印本方法，提出从目标状态和初始分布两端同时扩展中间起点与目标，训练单个目标条件策略。在仿真中，它在点质量迷宫、四足盒攀爬和机械臂套环转移任务上比所有无参考课程学习更快，攀爬 0.4 米盒时达到 95% 成功率的迭代数比最佳无参考基线少约 65%，并且是唯一能学会攀爬 0.7 米盒的无参考方法。该方法无需演示或奖励塑形，对稀疏奖励长程机器人任务训练具有实际价值。
本文提出VIGOR框架，在TD-MPC2骨干上融入非对称弱到强增强（AW）、动力学一致性（DC）和编码器稳定化（ES），解决基于模型的强化学习（MBRL）在未见视觉干扰下的两层级脆弱性。在DeepMind Control Suite和Robosuite的零样本泛化评测中，VIGOR分别超越次优基线3.4%和43.6%，同时保持TD-MPC2的样本效率。该论文为预印本，尚未经过同行评审。
这篇预印本提出 AMSC，一种利用在线任务相似度选择并组合先前策略面具的方法。在 CT28 和 MG16 上，AMSC 的 AUC 和 FWT 分别为 0.94/0.94 和 0.73/0.54，且遗忘为零；但在 CW10 上不如学习式组合。结果表明任务相似度可作为一种免优化信号来提升终身强化学习的复用效果，但跨层组合仍需改进。
本文为arXiv预印本，提出SCOUT框架，将流匹配行为先验与分解价值函数解耦，在测试时通过Stein变分梯度下降把动作样本传输到高价值区域，避免训练时策略参数化和固定正则化系数。在SMACv1和MA-MuJoCo共24个离线数据集上平均得分最高，并在全部离线到在线实验中取得提升。该方法为生成式策略与值优化提供了一种不牺牲多模态的测试时精修路径。
PROMO是一个预印本框架，将跟踪、稳定、能效作为语义目标，通过偏好向量在运行时控制单一四足机器人策略。仿真中100个偏好下67个为非支配解，平均偏好与目标相关性0.8434。真机Unitree Go2上仅改变偏好，能效较平衡偏好最高降低30.4%，位置误差降低38.7%，姿态偏差降低59.0%。
这篇预印本提出ReCo框架，通过训练响应一致的四足运动策略并识别其闭环响应模型，让策略感知MPC同时规划运动指令和机械臂动作。在MuJoCo仿真基准中，位置和姿态RMSE分别比各自最优基线降低28.7%和27.4%，100轮测试成功75次。真机实验展示了在Unitree Go2加ARX X5平台上进行物体整理、开门和抓取放置等连续移动操作。
这篇预印本提出 ColoACT 系统，将 RGB、相对深度和伪高程图结合成多线索观测，并用 Action Chunking Transformer 策略控制自推进内镜机器人 BGER。在离体猪结肠中，直线段成功率为 85.4%，弯曲段为 72.5%，复杂弯道也有一定成功率，动作平滑性比行为克隆基线改善约一个数量级。这是首次在自推进结肠机器人上验证模仿学习导航，尚未经过同行评审。
这篇预印本提出 FERPO，一种在线最大熵强化学习算法。它不用评论家对动作的梯度，而是通过前向 KL 拟合熵与 KL 正则化的最优目标分布来更新策略。在 MuJoCo Playground 和 ManiSkill 上表现与 REPPO 相当，并在 DMC 和 ManiSkill 上展现出更高样本效率；在 K=16 时，未缓存 actor 更新比 REPPO 快 6.9%，缓存后总计节省 22.2%。
这篇预印本提出 MFPG-PPO 算法，用低成本仿真数据作为控制变量来稳定高保真数据稀缺的强化学习。在仿真和真机实验中，MFPG-PPO 在多数设置下优于仅用高保真数据的 PPO，并且用 4 条真实机器人片段即可将 Franka 抓取成功率从 40% 提升至 91.7%。该论文尚未经过同行评审。
TacEx是一个预印本框架，通过将模型认知不确定性按视觉、触觉和潜变量分解并加权触觉项，让机器人在无任务奖励的探索阶段主动寻求接触。在仿真中，纯触觉探索实现了零奖励涌现抓取，采集的接触密集数据支持离线训练抓放策略；在LIBERO-90八个接触丰富任务上，用触觉不确定性引导冻结VLA的扩散后训练，成功率高于DSRL-SAC基线。该工作表明触觉不仅是观测模态，也是高效的探索信号。
这是一篇预印本论文。作者提出 GroundingPI，一个基于点和边界框等视觉基元的 4B 参数接地基础模型，在 34 个接地基准上达到 73.68% 平均得分，超过更大的 GPT-6 Astra（71.54%）。该模型作为视觉骨干用于机器人操作和自动驾驶时，在 RoboTwin 2.0 全部四个分布外设置中优于所有主流骨干，相对最强基线最高提升 24.8%，并在 RoboCasa-GR1 上以 50% 演示数据超过其他基线用 75% 数据的表现。这项工作表明专门的接地预训练可成为物理智能的感知基础，尤其适合系统1的快速执行。
本文提出将强化学习训练的actor-critic和传感器预测模型嵌入PAC-NMPC框架，为未知环境中基于感知的导航提供有限时间概率安全保证和长期性能。在固定翼无人机上，该方法在仿真中取得90%成功率，在硬件试验中取得80%成功率，均优于纯RL和传统规划基线。本文为预印本，未经同行评审。
该预印本提出一种电池感知强化学习控制方法，在38克Crazyflie Brushless真机上联合增加推力指令范围和滤波电压输入，同时保留飞控的电压补偿和速率控制。硬件实验中，3.84 m/s圆周跟踪误差较Stock降低49.3%，20圈赛道时间从106.22秒降至95.24秒。相比同样增加指令范围但不使用电压输入的High，误差降低15.3%、赛道时间快4.5%。结果表明显式电压信息能补充飞控原有补偿。
Constrained Reinforcement Learning has recently gained increasing attention in the field of Safe Autonomous Driving, where the general mechanism is to maximize the expected reward while keeping the overall action risk bounded. In this way, the safety issues arising in AD can be mitigated through constrained actions.
RL policies trained in GPU simulation transfer zero-shot to a commodity humanoid on rough terrain.
论文来自 arXiv 机器人领域。尚未生成摘要的论文，显示摘要开头部分。