每日自动追踪全球权威信源，模型生成中文摘要与有效期判断，人工抽检把关。 不追热点，只留经得起推敲的那一部分。
AI 与可被 AI 赋能的行业方向，每个领域独立成脉
共 37 条符合条件
提出流形生成退火（MGA）框架，将预训练强化学习策略组织为结构化序列提案，再通过基于模型的推演进行细化与选择，并利用实现感知的流形细化对齐任务约束与局部可达物理响应。该方法面向接触丰富的机器人任务，在表面扫描、插孔与人形推挤实验中提升了阻抗控制在标称与传感偏移下的安全成功率。
该研究针对摩托车转弯时因打滑导致的摔倒问题，将后轮摆动机构的辅助控制建模为优化问题，按车速与路面状况分配控制输入。团队开发了遥控摩托车，在低摩擦路面绕桩和合成冰面转弯场景中验证，成功抑制了摔倒，为摩托车主动安全提供了新思路。
MoCaP 提出一种智能体框架，将被动拍摄的人类日常活动视频转化为移动操作策略的指导，通过提取空间记忆与交互准备线索，结合闭环代码即策略协调规划与工具原语，在真实移动机械臂上实现零样本移动操作，两项任务成功率均达 80%，显著优于现有方法。
该研究探讨机器人在风向反转后能否依靠风向导引找到气味源。实验显示，四足机器人保持初始朝向可稳定抵达气味源，而对比控制器无法收敛。研究给出朝向正确性与净气味输运的几何条件，并量化随机流场下错误朝向率由1.0%升至4.7%，指出间歇性气味接触可提升搜索可靠性。
SOMA 提出分层强化学习框架，让无专用机械臂的四足机器人用全身非抓取方式推动多层物体堆叠。高层策略用 S5 编码器做长时序推理并输出目标指令，低层运动策略动态调整腿部站姿，并显式控制机身高度实现三维推运。仿真单物体重定位成功率 90.3%，双箱堆叠达 90.1%，并在 Unitree Go1 上完成零样本 sim-to-real 验证。
该工作为 CUDA 加速的 cuVSLAM 增加线特征扩展，用 Plücker 坐标与 4-DOF 正交表示建模直线，将鲁棒点到线残差融入原有高斯-牛顿位姿求解与滑动窗口 BA，在低纹理仓库环境中自适应加权。TUM 与 Replica 上轨迹误差降低约 30-39%，无跟踪失败，对仓储机器人定位有实用价值。
该论文提出一种低复杂度自适应预设性能控制器，用于输入饱和且水动力不确定的自主水下航行器轨迹跟踪。方法根据请求与饱和控制输入的失配直接调整性能函数，仅在执行能力不足时放宽性能漏斗，并通过耦合不变集分析保证闭环信号有界与可行性。仿真与水池实验验证了有效性。
LEAP 提出用梯度流增强拉格朗日方法求解接触约束机器人的轨迹优化问题，通过伪谱配点与原始-对偶梯度流替代传统牛顿/SQP 求解，解决摩擦锥约束下初始猜测敏感和关节规模扩展差的问题，在五类机器人基准上全部求解成功并加速，值得机器人控制与优化领域关注。
提出 A-SLS，一种基于系统级合成的学习感知鲁棒自适应模型预测控制框架，能在规划时预测未来参数不确定性并构建紧致可达集，配合 GPU 加速求解器实现实时性能，在四足机器人全身控制与 Crazyflie 无人机在线学习上验证。
EgoJEPA 提出三阶段框架，从第一视角人类视频中学习与具体机器人本体无关的潜在动作表示，绕过传统重定向的几何映射。它通过 JEPA 式视觉预测预训练、潜在动作世界模型和轻量适配器迁移到不同机器人。在五个真实操作任务上平均成功率 74%，优于重定向基线 65%，跨本体总耗时降低 47.2%。
TGrasp6D 提出一种基于视觉语言模型的零样本任务导向 6DoF 抓取方法：根据任务与单张 RGB-D 图像推理语义可供性生成初始抓取先验，再通过 6DoF 位姿优化避免碰撞并保持任务一致性。在 TaskGrasp 数据集上成功率达 94%，远超基线 74%，并在 Franka 机器人上验证了真实世界零样本泛化能力。
该论文研究可持续供能的移动机器人如何在固定闭合路径上优化速度轨迹，以在能量采集与信息获取之间取得最优权衡。作者将问题建模为周期最优控制问题，结合超线性推进成本与信息增益/衰减，基于信息论中的清晰度指标推导最优控制必要条件，并给出高速信息极限等性质，最后以切萨皮克湾盐度持续监测仿真验证。
该研究用强化学习先训练赛车漂移策略，再迁移到车辆失稳恢复任务，并定义基于相平面的稳定平衡态与 Gym-Khana 评测环境。在 294 个失控状态下恢复率较 Stanley 提升 186.8%，优于 NMPC 与从零训练策略，并在 1:10 F1TENTH 实车上验证，为自动驾驶极限安全系统提供新思路。
本文提出一种基于"清晰度"最大化的自适应任务规划方法，用于太阳能自主水面艇（ASV）执行科学探测任务。清晰度与微分信息熵严格关联，通过在线更新目标清晰度地图并采用遍历性路径规划，在可再生能源功率约束下持续重规划，优先采集高价值区域信息。仿真与北卡Jordan湖实验验证了有效性，为受限能源下的自主信息采集提供新思路。
该论文研究视觉-语言-动作（VLA）策略内部表征的几何形状，通过线性探针与激活干预，对七个任务相关概念建立分类体系。发现概念几何多为多维且受物理约束塑造，如关节限位使腕部朝向呈弧而非圆，距离由粗/细两个正交子空间表示。该几何在多个模型与真实数据中复现，并可用于引导操控，表明概念形状与可读性同等重要。
提出持久化剖面引导的无重置恢复方法 PGRR，通过预测多次步态执行的多种结果并用保守不确定性估计指导在线探测，避免重置机器人。在 108 个 MuJoCo 腿部截肢、骨折、关节锁死任务中，最终步态质量提升 0.106，低质量失败率降低 27.8 个百分点，为无重置损伤恢复评估提供新证据。
论文给出无人机网状拦截在选定策略前的性能上界闭式解：预测点不确定性由最小二乘方差传播加 delta 方法项刻画，与仿真误差 1.8%；在智能体间距不小于 2r 时，平面覆盖率上限 90.69%、体积 74.05%，允许重叠则改用 Kershner 最薄覆盖密度并在 p=0.80 处切换更优。作者主张学习实验前先算上界并随结果一并报告。
该论文将视觉语言模型中的块稀疏特征化器（BSF）引入机器人视觉-语言-动作模型，恢复出感知、语言、本体状态、任务阶段等多维可解释特征，并通过细粒度干预实现可预测的动作控制，还能定位训练数据中不足1.4%的关键token以移除特定行为，为机器人策略的可解释性与数据治理提供新工具。