斯坦福 AA274A 机器人自主性原理｜2019 年秋季｜参数化滤波

自主边缘——嵌入工业应用中的智能

The Autonomous Edge – Intelligence Embedded in Industrial Applications

这是一本由 Taylor & Francis 出版的开放获取图书，作者为 Vermesan, Ovidiu 与 Pijlman, Fetze，出版信息只给到 2026 年。书中汇集多学科研究者与实践者的文章，讨论人工智能、边缘计算、自主系统与工业应用交汇处的技术变化，包括智能从云端向车辆、机器人、制造系统、智慧城市与嵌入式设备迁移，以及在延迟、能耗、隐私、安全与实时性约束下的边缘 AI 设计，主题词涉及软件定义汽车与联邦学习。

用于 Sim2Real 迁移的域随机化

Domain Randomization for Sim2Real Transfer

Lil'Log 博客介绍机器人领域域随机化（Domain Randomization）的文章。先说明仿真到真实迁移的困难与系统辨识等思路，然后讲均匀域随机化的做法，从优化和元学习两个角度解释其原理，并介绍面向任务性能的引导式域随机化，包括匹配真实数据分布和借助仿真器数据引导两类方法。

CMU 10-703：深度强化学习（2026 秋）

这是卡内基梅隆大学 10-703 深度强化学习课程的课程网站，课程综合计算机视觉、机器人控制、强化学习和语言理解等方向，讨论如何构建能感知世界并通过模仿、最大化稀疏奖励或满足好奇心来学习行动的智能体。课程目标包括实现和实验现有方法、评估其样本复杂度与泛化性、理解机器人学习领域论文等。页面列出先修要求：算法、概率、计算机视觉、深度学习（TensorFlow 与 PyTorch）、矩阵微积分和编程基础。

斯坦福 EE292R 科学与人工智能及数据｜2026 年秋季｜从世界模型到世界智能体

Stanford EE292R AI and Data for Science | Autumn 2026 | From World Models to World Agents

这是斯坦福课程 EE292R 的一场讲座，讲者 Gordon Wetzstein 为电子工程系（兼计算机科学系）副教授。讲座介绍视频世界模型的最新进展，重点包括增强长时间上下文中的时间一致性与推理、缓解自回归漂移，以及多智能体动态的整合和有效的人类中心条件控制策略。材料附有课程时间表链接。

Robostral Navigate：单摄像头 AI 导航

Robostral Navigate: single-camera AI navigation | Mistral AI

Mistral 推出的首个面向具身导航的模型 Robostral Navigate，规模 8B，仅用单个普通 RGB 摄像头和自然语言指令即可让机器人在环境中移动，无需深度传感器、LiDAR 或多摄像头。文中称其在未见过的 R2R-CE 基准上达到 76.6% 成功率，基于自建模拟数据与 token 高效技术构建，结合指向式导航与强化学习。

让 AI 智能体扎根于生物现实：自主湿实验室的基础构件

Grounding AI agents in biological reality: Building blocks for autonomous wet labs

Google Research 的一篇博客，介绍将 AI 智能体与实体实验室机器人结合、开展闭环分子设计循环的研究工作，报告了针对癌症靶点发现单位数纳摩尔级蛋白结合物。文章指出前沿模型在三维几何与物理状态推理上仍不可靠等挑战，并附有 VERID、智能体适配体沙箱和表位切除等相关论文链接。