VICTR：用进度感知的上下文检索提升 VLA 模型的上下文学习能力
VICTR 提出用 In-Context Value Function Estimator（IC-VFE）根据参考演示视频、语言指令和当前观测估计任务进度，再按进度检索对应阶段的演示片段，供经上下文动作生成后训练的 π_{0.5} 策略使用。
推荐理由：论文用参考演示视频估计任务进度来检索上下文，在未见过的真实操作任务上把成功率从 6.2% 提到 23.8%，并给出代码与数据入口。
#强化学习
arXiv · cs.RO精选AI 评分6262 arXiv · cs.RO精选AI 评分7070 TinyAstral 将自进化 harness 迁移到 4B 小型通用操作智能体
TinyAstral 提出两阶段方法，先把冻结的开源教师智能体的 harness 通过递归自我改进（RSI）迭代，再把最终 harness 下的教师轨迹蒸馏进 4B 学生模型。
推荐理由：该工作把教师智能体的 harness 自进化收益蒸馏到 4B 小模型，并给出与 552B 规划器接近的跨基准结果，可供关注具身智能体轻量化的读者参考。
arXiv · cs.RO精选AI 评分6262 OCLO：无需人体动作数据的人形机器人全身移动操作控制
研究团队提出 OCLO 人形机器人移动操作系统，仅用两个末端执行器目标和行走速度作为指令，不依赖人体动作数据训练。系统用解析可达性先验在线生成骨盆高度与躯干朝向，仿真中指令参考获取成功率达 77.8%，无先验时为 37.8%；同一姿态模块还能提升预训练 SONIC 控制器在全部五项任务上的表现。
推荐理由：论文给出不依赖人体动作数据的全身姿态生成方案，并用消融实验量化可达性先验带来的成功率提升。
arXiv · cs.RO精选AI 评分6262 InneR：用内积正则提升模仿学习策略对状态扰动的鲁棒性
作者提出内积正则化方法 InneR，通过策略雅可比在状态空间诱导内积，对对齐状态聚类并最小化平均内积的最小特征值，使邻近状态共享零空间，从而对扰动给出一致响应。在真实机械臂的三项操作任务上，InneR 将扩散策略的平均成功率从 18% 提升到 57%，且无需额外数据；仿真实验显示其对无关状态维度和训练测试分布偏移更鲁棒，而范数惩罚常不如行为克隆。
推荐理由：论文提出用策略雅可比诱导的内积正则约束状态扰动响应一致性，并在真实机械臂上验证扩散策略成功率提升。
arXiv · cs.ROAI 评分5858 FORGE：面向人形移动操作的多粒度力感知控制
研究团队提出 FORGE 力感知多粒度控制系统，用速度导航、平面落脚、腕部位姿跟踪和可选力条件输入构成由粗到细的命令空间，训练策略无需全身人体运动轨迹或关节角参考。
arXiv · cs.RO精选AI 评分6767 ManiLadder：按难度分层校准的机器人操作仿真基准
作者提出机器人操作仿真基准 ManiLadder，包含 112 个任务，按 4 个难度等级分层，每级 8 个类别，覆盖刚体与可变形物体、单臂与双臂、夹爪与灵巧手。为校准难度，每个任务固定相同数据量，用统一的 flow-matching 模仿学习策略在相同训练与评测协议下运行，以成功率作为经验难度信号，并跨随机种子、策略和智能体学习系统验证难度区间。真实实验显示任务难度排序在仿真之外仍保持。
推荐理由：该基准按任务难度分层校准，并跨随机种子、策略和真实实验验证难度排序，可供读者判断机器人操作能力的评测设计。
arXiv · cs.ROAI 评分5858 混合地形建模实现记忆高效的坍塌反应式撤退并行策略学习
作者提出基于混合地形建模的记忆高效并行策略学习框架，用于训练机器人在支撑面坍塌时撤退的策略。该方法将不可坍塌地形用刚体仿真、可坍塌区域用虚拟接触力表示，并通过 State-Multiplexed Contact Model 共享地形几何与接触响应规律、保留各环境独立的坍塌状态，从而在不复制地形对象的情况下获得独立的状态-动作经验。
arXiv · cs.ROAI 评分5858 PERA：为人形机器人全身控制插入可插拔专家模块
PERA 通过冻结预训练混合专家策略、仅新增任务专家及其路由分数来学习新技能，在 Unitree G1 仿真中每个新增任务模块约占基础 actor 参数的 1.03%，成功完成全部十项新任务。关闭专家后基础策略仍能完整执行原有的 126 个动作，开启专家还能改善部分未参与该专家训练的舞蹈动作；在 HoloMotion 上的实验显示该方法可适配不同基础策略。
arXiv · cs.RO精选AI 评分6565 FLUX-mimic：面向数据高效工业操作任务的视频-动作模型
研究团队提出视频-动作模型 FLUX-mimic，用视频预训练加动作专家联合训练机器人策略，在四个汽车制造基准任务和两个双臂机器人平台上超过所比较的基线，并在夹爪平台上与 pi_{0.5} 的平均成功率持平。在可变形零件配货任务上，仅用两小时任务特定的动作标注演示即达到 77.5% 成功率。
推荐理由：在工业操作场景下，该工作用视频预训练降低动作数据需求，并给出四个汽车制造基准任务上的对比结果。
arXiv · cs.ROAI 评分4242 GraSLA：以抓取假设为几何先验的轻量空间-语言-动作模型
GraSLA 是一个以抓取假设为几何先验的轻量空间-语言-动作模型，用空间与语言基础模型编码场景几何和任务语义，并通过双向交叉注意力与抓取假设融合来预测连续动作。在 LIBERO 上，GraSLA 取得 99.30% 的平均成功率。
arXiv · cs.RO精选AI 评分6060 Embodied-Corrector：从反馈中学习物理失败理解与纠正
研究提出 Embodied-Corrector，通过子任务边界注入扰动构建失败恢复数据，并以 Judge-Cause-Sub-Fine 监督和 OPD 训练模型理解执行偏差并修正规划。实验显示，冻结 VLA 时复合任务成功率提升 6.1 个百分点，固定 GPT-5.5 执行时操作与导航任务提升 13.9 个百分点。
推荐理由：论文针对具身智能体执行偏差，提出失败定位与纠正框架，并在冻结 VLA 和固定 GPT-5.5 执行两种设置下给出成功率提升。
arXiv · cs.RO精选AI 评分6262 APG-Planner：用解析策略梯度学习视觉高速轨迹规划
作者提出 APG-Planner，用解析策略梯度（APG）训练基于视觉的高速轨迹规划器，借助微分平坦性从规划轨迹解析重建车辆状态，构建可微的回合展开并直接计算策略梯度。单 GPU 训练约 30 分钟后，该方法在仿真中性能与现有基线相当或更优，实机飞行实验速度最高达 11 m/s，并在滑移转向地面机器人上验证了框架对四旋翼之外微分平坦系统的适用性。
推荐理由：论文用解析策略梯度替代采样估计，在单卡约 30 分钟训练后达到与基线相当或更好的性能，并完成实机飞行验证。
arXiv · cs.RO精选AI 评分6060 Elastra：面向弹性体交互的仿真框架，提升 Unitree G1 在床垫与蹦床上的站立成功率
作者提出 Elastra 仿真框架，用仅沿垂直方向运动的单元加弹性连接与阻尼来建模床垫、蹦床等弹性表面的形变与回弹，并用独立实现和真实床垫载荷曲线做了验证。
推荐理由：论文给出弹性表面仿真框架，并在 Unitree G1 上用残差策略把 HoST 成功率从 44.1% 提到 72.5%，附代码与视频。
arXiv · cs.ROAI 评分5858 A²WM：用动作仿射世界模型实现快速推理时策略精炼
作者提出动作仿射世界模型（A²WM），从动作扰动后的策略 rollout 中离线学习局部动作敏感度，把任务相关几何预测为名义轨迹加对修正的线性响应，从而将在线精炼化为一次模型评估加一次凸二次规划求解，策略与模型权重均保持冻结。在四个仿真操作任务上，该框架在所评估基线中成功率最高，每个控制步平均仅增加 3.8 ms 精炼开销（不含基础策略采样）。
arXiv · cs.RO精选AI 评分6060 ILA：一种可迁移的接口级适配器，实现人形机器人柔顺运动跟踪
研究提出 ILA，一种无需专用交互传感器的接口级适配器，可从机器人观测历史中修正运动参考，使预训练运动跟踪器在保持原有跟踪能力的同时响应人的物理引导。ILA 完全在仿真中训练，可直接接入不同预训练跟踪器而无需重训适配器或策略；在三个跟踪器上，引导目标误差相比原策略降低 63.6%–75.4%，仿真与硬件实验均显示其提升了引导响应性。
推荐理由：论文给出可插拔的接口级适配器，在三个运动跟踪器上量化了引导误差下降，读者可据此判断其复用性。
arXiv · cs.RO精选AI 评分6262 从单张 RGB 图像到机器人执行：度量场景对齐与接触引导重定向
作者提出一条统一流水线，把单张 RGB 图像转成可执行的人形机器人动作参考：先从图像重建场景几何，再生成以该场景为条件的人体交互动作，最后重定向到人形机器人。为保持几何一致性，流程在重定向前后用 JMIR 修正人体动作与度量场景的对齐，用 CGRR 修正机器人特有的支撑误差；相比 GRAIL，细化时间从 480 s 降到 87 s，约 5.5 倍加速。
推荐理由：该工作把单张 RGB 图像重建、人体动作生成与人形机器人重定向串成一条流水线，并给出仿真与真机成功率，便于读者判断其可复现性。
arXiv · cs.ROAI 评分5353 Terrain-Aware Thompson Sampling：面向多无人机搜救的地形感知 Thompson Sampling 算法
作者提出一种去中心化的地形感知多无人机 Thompson Sampling 算法，用于搜救任务：用位移环、海拔、流域、扩散角和轨迹偏移等 SAR 模型把地形数据转化为失踪人员位置的概率分布，并以逐单元高斯后验的贝叶斯更新平衡探索与利用，同时用森林覆盖率刻画植被遮挡带来的观测不确定性。
arXiv · cs.NEAI 评分4040 简化群优化更新规则的有限马尔可夫链分析
研究将简化群优化（SSO）在冻结记忆下建模为有限马尔可夫链，其坐标核 c_w I + (1 - c_w)Π 具有显式平稳分布与精确收敛速率 c_w^t。精英链的几何命中时间界显示，从非最优起点出发、固定 c_r 时至少需 exp(nc_r/2) 次期望评估才能到达唯一最优解。
arXiv · cs.LG 机器学习精选AI 评分7272 BiGym 2.0：面向 Unitree G1 人形家务操作的 20 任务基准
BiGym 2.0 将 BiGym 适配到 Unitree G1，用统一全身控制器覆盖 20 项家务任务，每项提供 60 条 VR 人类演示并同步多相机视角与全身执行记录。
推荐理由：BiGym 2.0 在统一全身控制器下对比四类策略，读者可据此了解人形家务操作各方法的强弱分布。
arXiv · cs.LG 机器学习AI 评分4242 学习加速的场景式模型预测控制：基于 ADMM 与 Moreau 包络学习的方法
该论文提出一种学习加速的 ADMM 算法求解场景式模型预测控制（SBMPC）问题，通过将问题重构为一致性形式实现场景与时间步的并行更新，并利用代价函数的 Moreau 包络学习加速 ADMM 的原始变量更新。在微电网能源管理问题上，该方法与 IPOPT、MadNLP 两个非线性规划求解器相比取得显著计算加速，同时保持可靠的闭环控制性能。
arXiv · cs.LG 机器学习精选AI 评分6565 连续时间强化学习求解均值—方差组合选择：算法、regret 分析与实证研究
研究在股票价格与可观测因子均为扩散过程、且系数未知的市场中，提出一种数据驱动的连续时间强化学习（RL）方法，直接学习预先承诺的投资策略，而不估计市场系数。针对无因子的多股票 Black-Scholes 市场，作者设计了具体算法，并以 Sharpe 比率的次线性 regret 界给出性能保证。
推荐理由：论文给出连续时间均值—方差组合选择的数据驱动 RL 算法与次线性 regret 界，并在 S&P 500 成分股上做了大规模实证比较。
arXiv · cs.LG 机器学习AI 评分4242 Omni-JEV：文本与双流语音的交互动作决策
Omni-JEV 将文本或按角色索引的用户与助手参考语音映射为五种交互动作的概率，用于判断全双工语音助手何时应答、保持说话、打断或恢复被打断的回复。其对齐语音到语音理解骨干分别编码声学角色，并与文本输入共享候选读出。Gaussian Omni-JEV 在测试集上语音准确率 84.08%、文本准确率 96.55%。
arXiv · cs.LG 机器学习AI 评分5858 Wasserstein 策略梯度的全局收敛性：熵正则强化学习的理论分析
作者为熵正则强化学习中的 Wasserstein 策略梯度（WPG）建立统一全局收敛理论，覆盖一般状态空间与连续动作空间的无限时域折扣 MDP。核心是借助 Bellman 结构与 log-Sobolev 不等式得到沿轨迹一致成立的逐状态梯度占优不等式，把 Wasserstein 策略梯度平方范数与 sup 范数下的价值差距联系起来。
arXiv · cs.LG 机器学习AI 评分5555 分层强化学习中的 Q-learning 收敛性与稳定性分析
作者提出 Feudal Q-learning 方案，借助随机逼近理论与 ODE 方法给出其耦合更新收敛与稳定的条件，并证明更新收敛到可解释为某个博弈均衡的点，为分层强化学习引入博弈论视角。基于该算法的实验支持了理论预期，论文已被 Neurocomputing 接收（DOI: 10.1016/j.neucom.2026.135319）。
arXiv · cs.LG 机器学习精选AI 评分6262 CFGRL 将扩散模型引导转化为可控的策略改进算子
作者提出 CFGRL，在策略改进与扩散模型引导之间建立直接关系，用监督学习方式训练，同时能超越数据中的策略。在离线强化学习任务上，提高引导权重会稳定带来性能提升；该方法无需显式学习价值函数，可把目标条件行为克隆等简单监督方法推广到更重视最优性的场景。
推荐理由：论文把扩散模型引导与策略改进建立直接联系，给出无需显式价值函数的离线强化学习训练路径。
arXiv · cs.LG 机器学习AI 评分5858 MVC-ZigAL：用强化学习微调少步文本到多视图扩散模型
研究提出 MVC-ZigAL，一个面向少步文本到多视图（T2MV）扩散模型的强化学习微调框架，用于改善单视图保真度与跨视图一致性。其核心设计包括联合建模所有生成视图并用联合视图奖励评估整体质量的 MDP 形式、利用自精炼采样相对标准采样的性能增益来增强学习信号的优势学习策略，以及结合拉格朗日对偶与自适应原始-对偶更新的多视图约束优化框架。该工作已被 CVPR 2026 接收，代码已开源。
arXiv · cs.LG 机器学习AI 评分5252 LG-DKGP：从专家演示的时间结构学习动作先验以改进世界模型规划
作者提出 LG-DKGP，一种局部门控深度核高斯过程先验，从专家演示动作的时间结构中学习动作延续，并结合近期与更长程的动作历史预测神经延续项、学习时间高斯过程残差，用于视觉世界模型规划。
arXiv · cs.LG 机器学习AI 评分5858 研究提出 MMD 下 Bellman 收缩的统一框架，并识别出 11 个可诱导收缩的新核
作者提出一个数学框架，用于研究最大均值差异（MMD）下分布 Bellman 算子的收缩性，并证明收缩性等价于由基础核构造的 Bellman 差分核满足条件正定性。
arXiv · cs.LG 机器学习AI 评分5858 StateAlign：用状态对比强化学习提升多轮工具智能体的决策可靠性
作者提出 StateAlign，把任务状态构建与状态对比强化学习结合，让工具智能体的决策跟随当前任务状态。在 Qwen3-8B 上，BFCL v4 multi-turn 准确率从 45.5% 提升到 55.2%，SimpleToolHalluBench 上的无工具幻觉率从仅用结果奖励训练的 62.2% 降至 56.1%。
arXiv · cs.LG 机器学习AI 评分4444 在需求机制切换下比较 LSTM、MLP 与 (s,S) 库存控制策略的强化学习研究
研究在需求于隐藏机制间切换时，循环策略是否比无记忆策略和经典基线更具优势。作者构建双状态隐马尔可夫需求环境，在匹配算力下训练优化 (s,S) 启发式、MLP PPO 与 LSTM 循环 PPO 智能体，并在 0、3、6、10 天提前期各 30 个确定性回合上评估。LSTM 策略在每个提前期均胜出，相对 MLP 的优势从提前期 0 的持平扩大到提前期 10 的 2.17 倍。
arXiv · cs.LG 机器学习AI 评分5858 ANE：用对偶 Neumann 估计消除双层优化超梯度偏度
作者指出截断 Neumann 级数估计内层 Hessian 逆时，乘积结构会放大偏度误差，且该误差随截断深度、内层条件数和单因子噪声不对称性增长；为此提出 Antithetic Neumann Estimator（ANE），将每个 Hessian 样本与围绕参考 Hessian 的镜像样本配对后平均，参考精确时可消去全部奇数阶扰动项。
arXiv · cs.LG 机器学习AI 评分5858 VEPO 提出有效熵指标，在六个数学推理基准上稳定优于 GRPO
作者提出有效熵（Effective Entropy）概念，只在有效子空间内度量多样性并过滤错误轨迹的噪声，据此实现 VEPO 方法并直接接入 RLVR 训练。在 1.5B 和 7B 的 DeepSeek-R1-Distill-Qwen 模型上，VEPO 在六个数学推理基准上相对 GRPO 取得一致的总体准确率提升，重复采样成功率也具竞争力。
arXiv · cs.LG 机器学习AI 评分5858 量子线性 bandit 的遗憾下界：证明 d^{3/2} 依赖不可避免并改进算法
作者研究 d 维量子线性 bandit，证明 minimax 下界为 Ω(d^{3/2}log(1+T/d^{3/2}))，从而说明既有算法上界中的 d^{3/2} 依赖是必要的。
arXiv · cs.AI 人工智能精选AI 评分7878 研究发现基于人类偏好奖励的规划搜索会损害真实回报，并提出校准修正规则
作者在 HalfCheetah、Hopper 及 Meta-World 的 drawer-open、plate-slide 任务上测量基于人类偏好奖励模型的 MPPI 规划搜索，发现搜索越强真实回报最多下降 76%，而留出标签准确率仍保持 0.75-0.97；在人类标签下 drawer-open 的 20 次运行全部失败，而作为起点的克隆策略 10 次全部成功。
推荐理由：论文量化了基于人类偏好奖励模型的规划搜索如何偏离真实目标，并给出可校准的修正规则。
arXiv · cs.LG 机器学习AI 评分5555 MOON-RL：用强化学习在目标空间中导航求解多目标优化
作者提出 MOON-RL，把带约束的多目标优化建模为目标空间中的偏好导向导航，由轻量 PPO 策略根据目标空间与约束观测更新设计，并用元算法周期性重置策略、从非支配解档案重采样起点并调整步长与惩罚。在真实执行器设计问题和收敛困难的约束基准上，MOON-RL 在与进化算法同等评估预算下于感兴趣区域取得有竞争力的表现，消融实验显示 RL 自适应采样与元算法均有贡献。代码、数据和补充视频链接见论文。
arXiv · cs.AI 人工智能AI 评分4040 CGSE：用评论家引导在潜在世界模型中生成合成经验
研究提出 Critic-Guided Synthetic Experience（CGSE），把世界模型当作局部状态转移生成器，用评论家引导在模型内选择动作以生成合成经验。
arXiv · cs.LG 机器学习AI 评分4242 STTC-EFRL：基于上境图形式强化学习的网联自动驾驶车辆安全轨迹跟踪控制
研究提出强化学习框架 STTC-EFRL，将网联自动驾驶车辆的安全轨迹跟踪问题建模为上境图形式的 min-max 优化问题，并用与上境图相关的递减标量调整策略梯度下降方向而不放大梯度幅度，从而提升训练稳定性。
arXiv · cs.LG 机器学习AI 评分5858 FOE-Dreamer：在运营网络中直接在线训练网络防御策略
作者提出 FOE-Dreamer（Factored Opponent-Enhanced Dreamer），一种基于模型的强化学习框架，无需模拟器阶段，直接在云基础设施上的运营网络中在线训练防御者。
arXiv · cs.AI 人工智能AI 评分5858 论文提出 k-robust coalitional alignment，用未对齐评审智能体保障长程 Agent 安全
论文研究长程 AI 智能体把动作审批委托给多个评审智能体时的控制问题，提出 k-robust coalitional alignment 条件：在任意移除 k 个评审者后，主方的效用可写成剩余评审者效用的非负组合加上一个在可行提案上非负的项，该条件弱于个体对齐，却是阈值规则安全的充要条件。
arXiv · cs.LG 机器学习AI 评分5858 SPIRE：通过自主情境推断与因果运动基元复用实现任务无关的具身持续学习
作者提出 SPIRE，一个循环脉冲系统，从动作-结果证据中推断潜在情境并在线学习情境专属运动执行器，成熟执行器作为受保护来源与新情境残差结合驱动运动群体。在坐标、三关节和隐藏力控制任务中，SPIRE 保持控制并自主推断情境，将达到标准所需的平均交互次数相对全新控制器减少约 40%；回退兼容来源执行器会损害早期学习，说明复用具有因果性。