机器人 / 具身智能

A Quantitative Comparison of Centralised and Distributed Reinforcement Learning-Based Control for Soft Robotic Arms

一种集中式与分布式强化学习控制在软机器人手臂中的定量比较

Linxin Hou, Qirui Wu, Zhihang Qin, Neil Banerjee, Yongxin Guo, Cecilia Laschi

机构 * Department of Electrical and Computer Engineering, National University of Singapore（电子与计算机工程系，新加坡国立大学） ； Department of Computer Science, National University of Singapore（计算机科学系，新加坡国立大学） ； Department of Mechanical Engineering, National University of Singapore（机械工程系，新加坡国立大学） 纠错

专题命中 模仿学习与强化学习 ：robotic(title,abstract)；分类 cs.RO

AI总结 本文比较了集中式与分布式强化学习在软机器人手臂控制中的性能，发现分布式策略在样本效率和鲁棒性上更优，但集中式策略在训练时间上更高效。

Comments 7 pages, 4 figures, 2 tables, accepted by RoboSoft 2026

Goal Reaching with Eikonal-Constrained Hierarchical Quasimetric Reinforcement Learning

基于Eikonal约束的分层准度量强化学习的目标达成

Vittorio Giammarino, Ahmed H. Qureshi

机构 * Purdue University（普渡大学） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；navigation(abstract)；分类 cs.RO、cs.LG

AI总结 本文提出基于Eikonal约束的分层准度量强化学习框架，通过连续时间改写和分层分解，提升目标条件导航和操作任务的性能。

SLAP: Shortcut Learning for Abstract Planning

SLAP：抽象规划的快捷学习

Y. Isabel Liu, Bowen Li, Benjamin Eysenbach, Tom Silver

专题命中 模仿学习与强化学习 ：robotics(abstract)；robotic(abstract)；分类 cs.RO、cs.LG

AI总结 SLAP通过快捷学习方法自动发现抽象规划中的新选项，提升任务成功率和规划效率。

Comments Published at the International Conference on Learning Representations (ICLR) 2026. Code available at https://github.com/isabelliu0/SLAP

MVR: Multi-view Video Reward Shaping for Reinforcement Learning

MVR：多视图视频奖励塑造用于强化学习

Lirui Luo, Guoxi Zhang, Hongming Xu, Yaodong Yang, Cong Fang, Qing Li

机构 * School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院） ； State Key Laboratory of General Artificial Intelligence, BIGAI（通用人工智能国家重点实验室） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.AI、cs.CV、cs.LG

AI总结 MVR通过多视角视频和视觉语言模型提升强化学习中的奖励塑造，有效解决复杂动态任务中的状态相关性和视角偏见问题。

Comments ICLR 2026

Integrating LTL Constraints into PPO for Safe Reinforcement Learning

将LTL约束整合到PPO中以实现安全强化学习

Maifang Zhang, Hang Yu, Qian Zuo, Cheng Wang, Vaishak Belle, Fengxiang He

机构 * School of Informatics, University of Edinburgh（信息学院，爱丁堡大学） ； School of Computer Science, Faculty of Engineering, University of Sydney（计算机科学学院，工程学院，悉尼大学） ； School of Engineering and Physical Sciences, Heriot-Watt University（工程与物理科学学院，赫瑞-瓦德大学） 纠错

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 本文提出PPO-LTL框架，通过整合LTL约束提升强化学习的安全性，实验表明其在安全性和性能上均优于现有方法。

CRISP: Contact-Guided Real2Sim from Monocular Video with Planar Scene Primitives

CRISP: 从单目视频中基于接触引导的现实到仿真转换

Zihan Wang, Jiashun Wang, Jeff Tan, Yiwen Zhao, Jessica Hodgins, Shubham Tulsiani, Deva Ramanan

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.RO、cs.CV

AI总结 CRISP通过拟合平面原始体和强化学习，从单目视频中生成可模拟的现实到仿真环境，显著降低运动跟踪失败率。

Comments Published at ICLR 2026. Project page: https://crisp-real2sim.github.io/CRISP-Real2Sim/

Model Predictive Adversarial Imitation Learning for Planning from Observation

基于模型预测的对抗模仿学习用于从观察中规划

Tyler Han, Yanda Bao, Bhaumik Mehta, Gabriel Guo, Anubhav Vishwakarma, Emily Kang, Sanghun Jung, Rosario Scalise, Jason Zhou, Bryan Xu, Byron Boots

机构 * Paul G. Allen School of Computer Science & Engineering（保罗·G·阿伦计算机科学与工程学院） 纠错

专题命中 模仿学习与强化学习 ：navigation(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出一种基于模型预测的对抗模仿学习方法，通过端到端学习从观察中规划，提升样本效率和鲁棒性。

Comments Accepted at ICLR 2026

When Is Diversity Rewarded in Cooperative Multi-Agent Learning?

在合作多智能体学习中，多样性何时会被奖励？

Michael Amir, Matteo Bettini, Amanda Prorok

机构 * Department of Computer Science and Technology University of Cambridge（计算机科学与技术系剑桥大学） 纠错

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.AI、cs.LG

AI总结 研究通过理论分析和算法验证，探讨了多智能体学习中异质性团队奖励机制，提出HetGPS算法用于发现异质性优势的奖励场景。

Hereditary Geometric Meta-RL: Nonlocal Generalization via Task Symmetries

继承性几何元强化学习：通过任务对称性实现非局部泛化

Paul Nitschke, Shahriar Talebi

专题命中 模仿学习与强化学习 ：navigation(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出继承性几何元强化学习方法，通过任务对称性实现非局部泛化，提升任务空间泛化能力。

Comments Accepted to 2026 American Control Conference

Leveraging Discrete Function Decomposability for Scientific Design

利用离散函数分解进行科学设计

James C. Bowden, Sergey Levine, Jennifer Listgarten

专题命中 模仿学习与强化学习 ：navigation(abstract)；分类 cs.LG

AI总结 本文提出DADO算法，通过利用设计变量的分解结构，提升离散空间优化效率，用于科学设计问题。

Designing Social Robots with Ethical, User-Adaptive Explainability in the Era of Foundation Models

在基础模型时代设计具有伦理性和用户适应性的社交机器人

Fethiye Irmak Dogan, Alva Markelius, Hatice Gunes

机构 * University of Cambridge（剑桥大学） 纠错

专题命中 人机交互与遥操作 ：robotics(abstract)；分类 cs.RO

AI总结 本文提出在基础模型驱动的社交机器人中，需通过伦理性和用户适应性的可解释性设计，解决适应与解释委托给基础模型带来的挑战。

Comments Companion Proceedings of the 21st ACM/IEEE International Conference on Human-Robot Interaction

Learning Contact Dynamics through Touching: Action-conditional Graph Neural Networks for Robotic Peg Insertion

通过接触学习动态：用于机器人圆柱体插入的基于动作的图神经网络

Zongyao Yi, Joachim Hertzberg, Martin Atzmueller

机构 * German Research Center for Artificial Intelligence（德国人工智能研究中心） ； Osnabrück University（奥斯纳布吕克大学） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 本文提出了一种基于动作的图神经网络模型，用于提升机器人圆柱体插入任务中的运动和力矩预测精度。

Digital and Robotic Twinning for Validation of Proximity Operations and Formation Flying

数字与机器人双胞胎用于近距操作与编队飞行的验证

Z. Ahmed, E. Bates, P. Francesch Huc, S. Y. W. Low, A. Golan, T. Bell, A. Rizza, S. D'Amico

机构 * Stanford University（斯坦福大学） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；navigation(abstract)；分类 cs.RO、cs.CV

AI总结 本文提出了一种混合双胞胎框架，用于验证航天器GNC系统在近距操作和编队飞行中的性能。

Journal ref 2026 Rocky Mountain AAS GN&C Conference, Breckenridge, Colorado

FATE: Closed-Loop Feasibility-Aware Task Generation with Active Repair for Physically Grounded Robotic Curricula

FATE: 闭环可行性感知任务生成与主动修复的物理 grounded 机器人课程

Bingchuan Wei, Bingqi Huang, Jingheng Ma, Zeyu zhang, Sen Cui

机构 * School of Aerospace Engineering, Tsinghua University, Beijing, China（航空航天工程系，清华大学，北京，中国） ； Department of Automation, Tsinghua University, Beijing, China（自动化系，清华大学，北京，中国） ； School of Integrated Circuits, Tsinghua University, Beijing, China（集成电路学院，清华大学，北京，中国） ； State Key Laboratory of General Artificial Intelligence, Beijing Institute for General Artificial Intelligence (BIGAI), Beijing, China（通用人工智能国家重点实验室，北京通用人工智能研究院（BIGAI），北京，中国） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；embodied agent(abstract)；分类 cs.RO

AI总结 FATE通过闭环验证与主动修复机制，生成物理 grounded 的机器人任务课程，有效减少执行失败率。

Comments 16 Pages, 4 Figures

Automated Action Generation based on Action Field for Robotic Garment Smoothing and Alignment

基于动作场的机器人服装平铺与对齐的自动化动作生成

Hu Cheng, Fuyuki Tokuda, Kazuhiro Kosuge

机构 * JC STEM Lab of Robotics for Soft Materials（机器人软材料实验室） ； Department of Electrical and Electronic Engineering（电气电子工程系） ； Faculty of Engineering（工程学院） ； The University of Hong Kong（香港大学） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；manipulation(abstract)；分类 cs.RO

AI总结 本文提出基于动作场的机器人服装平铺与对齐方法，通过神经网络生成动作向量并预测操作评分图，实现更高效的服装处理。

Comments Accepted by IEEE Transactions on Automation Science and Engineering

AoE: Always-on Egocentric Human Video Collection for Embodied AI

AoE: 始终在线的以自身为中心的人类视频采集用于具身AI

Bowen Yang, Zishuo Li, Yang Sun, Changtao Miao, Yifan Yang, Man Luo, Xiaotong Yan, Feng Jiang, Jinchuan Shi, Yankai Fu, Ning Chen, Junkai Zhao, Pengwei Wang, Guocai Yao, Shanghang Zhang, Hao Chen, Zhe Li, Kai Zhu

机构 * Ant Digital Technologies, Ant Group（蚂蚁集团数字技术部） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； Zhejiang University（浙江大学） ； Peking University（北京大学） ； Beijing Academy of Artificial Intelligence（北京人工智能研究院） 纠错

专题命中 机器人数据与评测 ：embodied AI(title)；embodied agent(abstract)；分类 cs.RO、cs.CV

AI总结 AoE系统通过利用人类和智能手机低成本采集以自身为中心的现实世界交互数据，解决具身AI的数据稀缺问题，提升现实世界泛化能力。

RAG-RUSS: A Retrieval-Augmented Robotic Ultrasound for Autonomous Carotid Examination

RAG-RUSS：一种增强检索的机器人超声用于自主颈动脉检查

Dianye Huang, Ziping Cong, Nassir Navab, Zhongliang Jiang

机构 * Computer-Aided Medical Procedures and Augmented Reality (CAMP), Technical University of Munich (TUM), Germany（计算机辅助医学程序与增强现实（CAMP），慕尼黑技术大学（TUM），德国） ； Munich Center for Machine Learning (MCML), Germany（慕尼黑机器学习中心（MCML），德国） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；分类 cs.RO

AI总结 RAG-RUSS通过可解释框架实现自主颈动脉检查，结合检索增强生成提升泛化能力，减少对大规模数据的依赖。

Comments Accepted by ICRA

A Dataset for Crucial Object Recognition in Blind and Low-Vision Individuals' Navigation

为盲人和低视力者导航至关重要的物体识别数据集

Md Touhidul Islam, Imran Kabir, Elena Ariel Pearce, Md Alimoor Reza, Syed Masum Billah

机构 * Pennsylvania State University（宾夕法尼亚州立大学） ； Drake University（德拉克大学） 纠错

专题命中 机器人数据与评测 ：navigation(title,abstract)；分类 cs.CV

AI总结 本文提出一个专为盲人和低视力者导航设计的数据集，包含90个关键物体的标注，旨在提升计算机视觉模型在实时物体识别中的准确性。

Comments 16 pages, 4 figures

Validation of Space Robotics in Underwater Environments via Disturbance Robustness Equivalency

通过扰动鲁棒性等效性验证水下环境中的空间机器人

Joris Verhagen, Elias Krantz, Chelsea Sidrane, David Dörner, Nicola De Carli, Pedro Roque, Huina Mao, Gunnar Tibert, Ivan Stenius, Christer Fuglesang, Dimos Dimarogonas, Jana Tumova

机构 * Division of Robotics, Perception and Learning, KTH Royal Institute of Technology（机器人、感知与学习 division，皇家理工学院） ； School of Engineering Sciences, KTH Royal Institute of Technology（工程科学学院，皇家理工学院） ； Division of Decision and Control Systems, KTH Royal Institute of Technology（决策与控制系统 division，皇家理工学院） ； Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程 department，加州理工学院） 纠错

专题命中 机器人数据与评测 ：robotics(title,abstract)；分类 cs.RO

AI总结 通过水下环境验证空间机器人在微重力下的扰动鲁棒性等效性

Comments 8 pages, 5 figures, 1 table

AssemMate: Graph-Based LLM for Robotic Assembly Assistance

AssemMate：基于图的LLM用于机器人装配辅助

Qi Zheng, Chaoran Zhang, Zijian Liang, EnTe Lin, Shubo Cui, Qinghongbing Xie, Zhaobo Xu, Long Zeng

机构 * Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院，清华大学，深圳，中国） 纠错

专题命中 机器人数据与评测 ：robotic(title,abstract)；分类 cs.RO

AI总结 AssemMate是一种基于图的LLM，通过知识图谱问答和视觉增强策略提升机器人装配任务的精度和效率。

Non-verbal Real-time Human-AI Interaction in Constrained Robotic Environments

非语言实时人机交互在受限机器人环境中

Dragos Costea, Alina Marcu, Cristina Lazar, Marius Leordeanu

机构 * National University of Science ； Princeton University, Princeton NJ 08544, USA, , WWW home page: http://users/ iekeland/web/welcome.html Universit\' e de Paris-Sud, Laboratoire d'Analyse Num\' e rique, B\ a timent 425, F-91405 Orsay Cedex, France 纠错

专题命中 机器人数据与评测 ：robotic(title)；分类 cs.AI、cs.CV

AI总结 本文提出首个实时生成非语言人机交互的框架，通过对比合成与真实数据发现时间一致性对实际性能的影响，揭示了人类与AI运动间的统计差异。

UrbanVerse: Scaling Urban Simulation by Watching City-Tour Videos

UrbanVerse: 通过观看城市游览视频扩大城市模拟

Mingxuan Liu, Honglin He, Elisa Ricci, Wayne Wu, Bolei Zhou

专题命中 机器人数据与评测 ：embodied AI(abstract)；navigation(abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 UrbanVerse 通过将众包城市游览视频转化为物理-aware 的模拟场景，实现了城市模拟的扩展，提升了城市导航中代理的泛化能力和现实任务完成效率。

Comments Accepted to ICLR 2026. Project page: https://urbanverseproject.github.io/

VITA: Zero-Shot Value Functions via Test-Time Adaptation of Vision-Language Models

VITA：通过视觉语言模型的测试时间适应实现零样本价值函数

Christos Ziakas, Alessandra Russo

专题命中 机器人数据与评测 ：manipulation(abstract)；robotic(abstract)；分类 cs.AI、cs.CV

AI总结 VITA通过测试时间适应提升视觉语言模型的零样本价值估计能力，实现跨任务和环境的泛化，优于现有方法。

Comments International Conference on Learning Representations, 2026

WildCross: A Cross-Modal Large Scale Benchmark for Place Recognition and Metric Depth Estimation in Natural Environments

WildCross: 一种用于自然环境中地方识别和度量深度估计的跨模态大规模基准

Joshua Knights, Joseph Reid, Kaushik Roy, David Hall, Mark Cox, Peyman Moghadam

专题命中 机器人数据与评测 ：robotics(abstract,comments)；robotic(abstract)；分类 cs.CV

AI总结 WildCross是一个用于自然环境中地方识别和度量深度估计的跨模态大规模基准，通过提供大规模数据集和实验验证，推动多模态机器人感知技术的发展。

Comments IEEE International Conference on Robotics & Automation (ICRA) 2026

riMESA: Consensus ADMM for Real-World Collaborative SLAM

riMESA: 基于共识ADMM的现实世界协作SLAM

Daniel McGann, Michael Kaess

专题命中 机器人数据与评测 ：robotics(abstract)；navigation(abstract)；分类 cs.RO

AI总结 riMESA是一种基于共识ADMM的鲁棒增量分布式C-SLAM后端，能实时处理多机器人团队的定位与建图任务，准确度提升超过7倍。

V-MORALS: Visual Morse Graph-Aided Estimation of Regions of Attraction in a Learned Latent Space

V-MORALS: 基于视觉莫尔斯图的学得潜在空间中吸引区域估计

Faiz Aladin, Ashwin Balasubramanian, Lars Lindemann, Daniel Seita

机构 * Viterbi School of Engineering, University of Southern California（美国南加州大学维特比工程学院） ； Automatic Control Laboratory, ETH Zürich（瑞士苏黎世联邦理工学院自动控制实验室） 纠错

专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结 V-MORALS通过学习潜在空间生成莫尔斯图，实现无需全状态信息的吸引区域估计，适用于仅使用传感器数据的机器人系统分析。

TACIT Benchmark: A Programmatic Visual Reasoning Benchmark for Generative and Discriminative Models

TACIT基准：一个生成和判别模型的程序化视觉推理基准

Daniel Nobrega Medeiros

机构 * Independent Researcher（独立研究者） 纠错

专题命中 机器人数据与评测 ：navigation(abstract)；分类 cs.AI、cs.CV

AI总结 TACIT基准提出一个程序化视觉推理测试，包含10个任务和6个领域，通过生成和判别双轨评估模型在空间导航、抽象模式完成等任务中的推理能力。

Comments 10 pages, 4 figures, 5 tables

SurgFusion-Net: Diversified Adaptive Multimodal Fusion Network for Surgical Skill Assessment

SurgFusion-Net：用于外科技能评估的多样化自适应多模态融合网络

Runlong He, Freweini M. Tesfai, Matthew W. E. Boal, Nazir Sirajudeen, Dimitrios Anastasiou, Jialang Xu, Mobarak I. Hoque, Philip J. Edwards, John D. Kelly, Ashwin Sridhar, Abdolrahim Kadkhodamohammadi, Dhivya Chandrasekaran, Matthew J. Clarkson, Danail Stoyanov, Nader Francis, Evangelos B. Mazomenos

机构 * UCL Hawkes Institute and the Department of Medical Physics & Biomedical Engineering, UCL（UCL哈维斯研究所及UCL医学物理与生物医学工程系） ； UCL Hawkes Institute and the Department of Computer Science, UCL（UCL哈维斯研究所及UCL计算机科学系） ； UCL Hawkes Institute and the Division of Informatics, Imaging & Data Sciences, The University of Manchester（UCL哈维斯研究所及信息学、成像与数据科学系，曼彻斯特大学） ； UCL Hospitals NHS Foundation Trust（UCL医院 NHS基金会信托） ； Griffin Institute, Northwick Park and St Mark’s Hospital（格里芬研究所，北wick公园及圣马可医院） 纠错

专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO、cs.AI

AI总结 SurgFusion-Net通过引入DRA策略和两个新的临床数据集，提升了多模态外科技能评估的准确性和可靠性。

Nonlinear System Identification Nano-drone Benchmark

非线性系统辨识纳无人机基准

Riccardo Busetto, Elia Cereda, Marco Forgione, Gabriele Maroni, Dario Piga, Daniele Palossi

机构 * Dalle Molle Institute for Artificial Intelligence (IDSIA)（达勒莫尔人工智能研究所） ； USI-SUPSI ； Integrated Systems Laboratory (IIS)（集成系统实验室） ； ETH Zürich（苏黎世联邦理工学院） 纠错

专题命中 机器人数据与评测 ：robotics(abstract)；分类 cs.RO

AI总结 本研究提出一个基于纳无人机的非线性系统辨识基准，通过75000个真实数据样本，评估识别方法在复杂动态和噪声环境下的性能。

From Dialogue to Execution: Mixture-of-Agents Assisted Interactive Planning for Behavior Tree-Based Long-Horizon Robot Execution

从对话到执行：基于混合代理的交互式规划用于基于行为树的长时域机器人执行

Kanata Suzuki, Kazuki Hori, Haruka Miyoshi, Shuhei Kurita, Tetsuya Ogata

机构 * Waseda University（早稻田大学） ； National Institute of Informatics（国家信息研究所） ； NII Research and Development Center for Large Language Models（国家信息研究所大型语言模型研究开发中心） ； The Graduate University for Advanced Studies (SOKENDAI)（高级研究大学研究生院（SOKENDAI）） 纠错

专题命中 机器人数据与评测 ：robotic(abstract)；分类 cs.RO

AI总结 本文提出基于混合代理的交互式规划框架，通过生成行为树实现长时域机器人任务的高效执行，减少人类干预并提升执行质量。