该论文提出 RLTrajGen-PPMPC-CBF 分层框架，用于自动驾驶车辆在环岛场景下的安全、平顺与舒适导航，以解决强化学习逐点决策与 MPC 轨迹级优化之间的结构性不匹配问题。框架采用预设性能约束（PPC）使参考轨迹与控制输出逐步稳定收敛，并通过控制屏障函数（CBF）层提供实时安全修正并反馈至 RL 过程。在 MetaDrive 仿真环境中，该方法相较最优基线将平均成功率提升 6.25%、运动病剂量值（MSDV）降低 65.87%，同时加快训练收敛。
机器人行业洞察
今日精选
The robotics journal行业消息
论文指出，在成功的目标导向演示上训练的动作条件视频生成模型会忽略动作指令，原因在于训练数据的动作影响不足，并证明数据本身构成模型可表达动作影响的上界，专家演示的狭窄动作分布使该上界偏低。作者提出主动采集数据的 Action Influence Maximization（AIM）算法，在仿真导航与操作任务中与探索启发式、内在动机方法对比。在基于像素的操作任务中，AIM 是唯一持续提升可控性的方法：在 3k 条演示基础上新增 500 条主动采集回合，其末端执行器可控性即达到用 300k 条专家回合训练的世界模型水平，数据量减少 85 倍。
DexGraspFlow 提出条件连杆级 SE(3) 流匹配框架，融合局部物体几何、连杆几何与运动学树距离导出的注意力偏置，用双流 DiT 建模连杆—连杆与连杆—物体交互，联合学习平移与旋转速度场并积分生成连杆位姿，再经逆运动学恢复关节构型。在三款机器人手、30 组物体—手部配对上，平均仿真成功率 95.33%，含逆运动学的平均生成延迟较当前最优基线低约 49%。模型对七种去指变体与掌心朝向引导实现零样本适应；针对部署手部训练的模型在 100 次真机抓取中成功率 91%。
Isaac Lab 文档发布 Newton WebAssembly 仿真的浏览器交互演示包，包含预构建仿真、浏览器查看器与导出器源码，归档以提交命名并校验 SHA-256，作为永久包容器后续更新只增资产不新建编号发布。本地预览需下载归档后运行 python -m http.server 8000 --directory site 并访问 /interactive/；运行演示仅需浏览器，重建物理需固定版本 Newton Web 编译器与 Emscripten。发布流程复用 interactive-releases 分支，在官方仓库创建该分支需管理员按分支创建规则执行。
Isaac Lab 发布 v3.0.0 正式版，作为新项目及从 2.x 迁移的推荐基线。新版本提供跨多种物理、渲染与可视化后端的统一任务 API，支持基于 Newton 与 OV 库后端的无 Kit 执行和 Warp 原生数据通路。Newton 为 Warp 原生物理后端，含 MuJoCo-Warp、VBD、MPM 求解器路径，可支持刚体、可变形体与粒子；Isaac Sim 变为可选组件。版本适配 Isaac Sim 6.2、Python 3.12、PyTorch 2.11（CUDA 13.0）、Warp 1.17、Newton 1.6.1 与 RSL-RL 5.5.1。
研究提出在标准腹腔镜器械上安装传感器记录外科医生操作，无需机器人采集演示即可训练双臂手术策略，并在活兔上完成阑尾切除术。