机器人 / 具身智能

AGM: Achievement-Grounded Memory for Closed-Loop Agents with Frozen VLA Policies

AGM：基于成就的闭环智能体记忆，适用于冻结的视觉-语言-动作（VLA）策略

Hongbo Gao, Zeyu Ni, Xin Wen, Siyu Xu, Ruifeng Li

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； The University of Sydney（悉尼大学） ； StellarEdge AI（星边人工智能） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 针对冻结VLA策略无法跟踪任务进度的问题，提出AGM框架，通过物理证据验证子目标实现闭环，在RoboMME基准和物理机器人上均取得显著性能提升。

Comments 19 pages, 9 figures

AdaVLA: Adaptive Step Flow Matching for Training-free Acceleration of Vision-Language-Action Models

AdaVLA：用于无需训练的视觉-语言-动作模型加速的自适应步长流匹配

Sunghwan Han, Youngtae Han, Youngmin Yi

机构 * Sogang University（西江大学） 纠错

专题命中 机器人基础模型 ：robotic(abstract)；分类 cs.RO、cs.LG

AI总结 本研究提出AdaVLA，一种无需训练的自适应框架，通过流匹配轨迹曲率度量动态调整推理步骤与MLP剪枝率，在LIBERO基准等测试中实现VLA模型加速且性能下降可忽略。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

TFP: Temporally Conditioned Memory-Fusion Policies for Visuomotor Learning

TFP：用于视觉运动学习的时间条件记忆融合策略

Yushen Liang, Yue Peng, Baosheng Jin, Tianluo Zhang, Xinyu Zhang, Shuyi Zhou, Zhuoran Chen, Xinqi Liu, Shenji Wan

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Beijing Institute of Technology（北京理工大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO；robotics(comments)

AI总结 研究针对视觉运动学习中阶段依赖操作问题，提出时间条件记忆融合策略（TFP），通过维护任务进展信念并注入动作解码器来改进VLA策略，在多个任务上提升成功率，证明紧凑且对事件敏感的记忆动态可优化VLA策略。

Comments Accepted to the SemRob 2026 Workshop at Robotics: Science and Systems (RSS 2026)

Temporal Forcing: 4D Representation Alignment for Vision-Language-Action Models

时序强制：面向视觉-语言-动作模型的四维表示对齐

Xingyu Ding, Yuzhong Zhao, Chunhai Zhao, Yinghuan Shi, Chaoyang Zhao, Yifan Zhang

机构 * Nanjing University（南京大学） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 该研究针对视觉-语言-动作模型缺乏时序信息的问题，提出 Temporal Forcing 方法，通过历史通路与时序一致的四维几何特征对齐，在 LIBERO 等任务上取得性能提升。

CometVLA: Co-Training on an Embodied Data Pyramid towards Physical Understanding

CometVLA：基于具身数据金字塔的协同训练以实现物理理解

Hanwen Wan, Dafeng Chi, Linbo Zhai, Tianao Shen, Yuzheng Zhuang, Tianle Zhang, Peidong Liu, Liang Lin, Xiaoqiang Ji

机构 * JD Explore Academy（京东探索研究院） ； School of Science and Engineering, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）理工学院） ； Shenzhen Institute of Artificial Intelligence and Robotics for Society（深圳市人工智能与机器人研究院） ； South China University of Technology（华南理工大学） ； Sun Yat-sen University（中山大学） ； School of Artificial Intelligence, The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）人工智能学院） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 该研究提出CometVLA，通过构建与机器人动作对齐的具身物理VQA数据及引入GAP token，在具身数据金字塔上协同训练，提升VLA模型的物理理解能力，显著优于基线模型并验证了物理预训练对下游操作的益处。

DREAM: Deployment-Time Demonstration Generation via Real-to-Sim for Scalable Policy Adaptation

DREAM：基于实境到仿真的部署时演示生成，用于可扩展的策略适配

Makoto Sato, Tatsuya Matsushima, Yutaka Matsuo, Yusuke Iwasawa

机构 * The University of Tokyo（东京大学） 纠错

专题命中 机器人基础模型 ：manipulation(abstract)；分类 cs.RO

AI总结 本研究提出DREAM框架，可无需人类演示生成VLA微调数据，经实机实验验证其能降低新工作空间的数据收集成本并提升操纵任务成功率。

Comments 8 pages, 5 figures

One Demonstration Is Enough for Real-World Robotic Reinforcement Learning

一个演示足以实现真实世界机器人强化学习

Yuwan Liu, Hongze Yu, Song Liu, Yuhan Wang, Junge Zhang, Yaodong Yang, Yuanpei Chen, Ceyao Zhang

机构 * National Key Laboratory of Cognition and Decision Intelligence for Complex Systems, Institution of Automation, Chinese Academy of Sciences（中国科学院自动化研究所复杂系统认知与决策智能国家重点实验室） ； Beijing Academy of Artificial Intelligence（北京智源人工智能研究院） ； PKU-PsiBot Joint Lab（北大-鹏城实验室联合实验室） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

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

AI总结 提出AutoSERL框架，仅需一个演示即可自动化真实世界机器人强化学习，通过滑动窗口干预、安全恢复和自动终止机制，在六个接触密集型任务上超越基线方法。

Constrained Group Relative Policy Optimization

带约束的群体相对策略优化

Roger Girgis, Rodrigue de Schaetzen, Luke Rowe, Azalée Robitaille, Christopher Pal, Liam Paull

机构 * Mila - Quebec AI Institute（魁北克AI研究所） ； CIFAR AI Chair（CIFAR人工智能主席） 纠错

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

AI总结 本文提出带约束的GRPO，通过拉格朗日松弛解决受约束策略优化问题，实验验证其在网格世界和机器人任务中的有效性。

Comments 16 pages, 6 figures

SUB-PLAY: Adversarial Policies against Partially Observed Multi-Agent Reinforcement Learning Systems

SUB-PLAY：针对部分可观测多智能体强化学习系统的对抗策略

Oubo Ma, Yuwen Pu, Linkang Du, Yang Dai, Ruo Wang, Xiaolei Liu, Yingcai Wu, Shouling Ji

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

AI总结 本研究提出新型黑盒攻击SUB-PLAY，可在多智能体竞争环境中利用部分观测生成对抗策略，经评估其有效性，还为MARL部署提供防御建议。

Comments To appear in the ACM Conference on Computer and Communications Security (CCS'24), October 14-18, 2024, Salt Lake City, UT, USA

SmoothRL: Online Reinforcement Learning During Asynchronous Execution

SmoothRL：异步执行期间的在线强化学习

Guang Gao, Yuxuan Nong, Baifu Huang, Jianan Wang

机构 * Astribot Team（Astribot团队） 纠错

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

AI总结 SmoothRL是一种在异步推理循环内微调预训练策略的在线RL框架，通过显式建模异步推理过程优化策略，在高精度及高度动态机器人任务上实现有效评估。

Drift-Based Policy Optimization: Native One-Step Policy Learning for Online Robot Control

基于漂移的策略优化：面向在线机器人控制的原生一步生成策略

Yuxuan Gao, Yedong Shen, Shiqi Zhang, Wenhao Yu, Yifan Duan, Jia pan, Jiajia Wu, Jiajun Deng, Yanyong Zhang

机构 * University of Science and Technology of China（中国科学技术大学） ； iFLYTEK 纠错

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

AI总结 本文提出一种原生一步生成策略框架，通过将迭代细化移至训练阶段，提升在线机器人控制的效率与稳定性，实验显示其在推理速度和性能上优于多步扩散策略。

Comments Accepted at the 34th ACM International Conference on Multimedia

SUN: Persistent Programs For Language-Grounded Control-to-Learning-to-Real Policies

SUN：用于语言接地控制学习到真实策略的持久程序

Weiqi Wang, Zhi Li, Yudong Lei, David Martinez, Xiaofeng Gao, Yuxin Jiang, Chenfanfu Jiang, Yingnian Wu, Demetri Terzopoulos, Ran Gong

机构 * University of California, Los Angeles（加利福尼亚大学洛杉矶分校） ； University of California, Santa Barbara（加利福尼亚大学圣巴巴拉分校） ； Amazon（亚马逊公司） ； Robotics and AI Institute（机器人与人工智能研究院） 纠错

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

AI总结 本文提出语义统一（SUN）程序及系统Kuafu，由大型视觉语言系统自动合成，在9项任务中实现82.03%宏观成功率，优于相关基准，可将控制摊销为鲁棒策略，实现符号规划与数据驱动执行的统一。

PathBridger: Subgoal Bridges for Offline Goal-Conditioned Reinforcement Learning

PathBridger：面向离线目标条件强化学习的子目标桥接方法

Soohyun Choi, Seonvin Cho, Songnam Hong

机构 * Hanyang University（汉阳大学） 纠错

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

AI总结 PathBridger是一种分层离线目标条件强化学习方法，通过构建状态空间桥并结合逆动力学模型解码为动作块，在OGBench任务尤其是多目标Cube操作任务上性能显著提升。

Comments 14 pages, 2 figures. Code: https://github.com/SChoish/PathBridger

SearchWiki: Learning to Build and Navigate Knowledge Wikis for Active Information Seeking

SearchWiki：学习构建与导航知识Wiki以支持主动信息检索

Guransh Singh, Vishwajeet Kumar, Arkadeep Acharya, Adnan Qidwai, Jaydeep Sen, Sachindra Joshi

机构 * IBM（国际商业机器公司） 纠错

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

AI总结 该研究提出SearchWiki框架，将语料库合成分层可导航Wiki，训练WikiResearcher-9B智能体经强化学习优化导航策略，在多基准测试中表现优于同规模模型，证实结构化语料库学习式导航优于扁平检索。

PrefMoE: Robust Preference Modeling with Mixture-of-Experts Reward Learning

PrefMoE：基于专家混合的鲁棒偏好建模

Ziqin Yuan, Ruiqi Wang, Dezhong Zhao, Baijian Yang, Byung-Cheol Min

机构 * Purdue University（普渡大学） ； Beijing University of Chemical Technology（北京化工大学） ； Indiana University Bloomington（印第安纳大学布卢明顿分校） 纠错

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

AI总结 PrefMoE通过混合专家框架提升偏好建模鲁棒性，采用轨迹级软路由结合多个专用奖励专家，有效处理异质且部分冲突的偏好监督，提升下游策略学习可靠性。

Comments IROS 2026

A Comprehensive Survey on Multi-Agent Cooperative Decision-Making: Scenarios, Approaches, Challenges and Perspectives

多智能体协同决策综合综述：场景、方法、挑战与展望

Weiqiang Jin, Hongyang Du, Shixiang Tang, Biao Zhao, Guang Yang

机构 * The University of Hong Kong (HKU)（香港大学） ； Imperial College London（伦敦帝国学院） ； National Heart and Lung Institute, Imperial College London（伦敦帝国学院国家心肺研究所） ； Cardiovascular Research Centre, Royal Brompton Hospital（皇家布朗普顿医院心血管研究中心） 纠错

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

AI总结 该综述梳理多智能体协同决策的场景、方法等，重点分析深度多智能体强化学习与大语言模型驱动的多智能体方法，同时指出领域挑战与未来研究方向。

Comments 54 pages, 24 figures

SpectraTac: A Compact Camera-Free Optical Tactile Sensor with Distributed Color Sensing

SpectraTac：一种具备分布式颜色感知的紧凑型无相机光学触觉传感器

Hao Wu, Haotian Guo, Yu Feng, Yutong Wang, Yanzhe Wang, Jianshu Zhou

机构 * National University of Singapore（新加坡国立大学） ； Zhejiang University（浙江大学） 纠错

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

AI总结 本研究提出SpectraTac无相机光学触觉传感器，采用分布式颜色感知，实现紧凑低成本，三维力预测误差低、接触分类准确率高，可用于机器人等领域的触觉传感。

Adaptive Finite-Time Position-Force Control of Teleoperation Systems With Time-Varying Delays Using a Liquid State Machine Uncertainty Estimator

基于液态状态机不确定性估计器的时变时延遥操作系统自适应有限时间位置-力控制

Shayan Akbari Haghighat, Mohammadali Ghaemifar, Armin Attarzadeh, Mohammadreza Piri Sangdeh

专题命中 人机交互与遥操作 ：manipulation(abstract)

AI总结 本文针对时变时延遥操作系统，首次将液态状态机（LSM）用于不确定性估计，提出带LSM的有限时间自适应位置-力控制器，仿真显示其跟踪性能优于RBFNN控制器且执行时间更短。

Comments 37 Pages, 24 Figures, 9 Tables

FetchMan: Learning Visual Humanoid Loco-Manipulation Policies from Simulated Experiences

FetchMan：基于模拟经验学习人形机器人视觉 locomotion-manipulation（移动操作）策略

Omar Rayyan, Zhi Li, Max Argus, Yuxin Jiang, Chang Yu, Chenfanfu Jiang, Yuchen Cui

机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Allen Institute for AI（艾伦人工智能研究所） ； University of Washington（华盛顿大学） 纠错

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

AI总结 该研究提出 FetchMan，通过端到端 sim-to-real 流水线训练人形机器人视觉移动操作策略，在 FetchMan-Bench 评估中，其单物体抓取策略在 Unitree G1 上零样本部署成功率达73.3%，并扩展至多物体训练。

Comments Project website: https://orayyan.com/fetchman

RoboPhys-3D: A Comprehensive Embodied World Model Evaluation via 3D Reconstruction

RoboPhys-3D：通过三维重建进行全面的具身世界模型评估

Tianyi Wang, Jiazhou Chen, Yiming Xu, Xiangyu Li, Tianyi Zeng, Chih-Hsien Chou, Ning Lu, Liang Peng, Junfeng Jiao, Christian Claudel

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Purdue University（普渡大学） ； Futurewei Technologies, Inc（星纪时代科技公司） 纠错

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

AI总结 本研究推出基于RoboTwin 2.0的三维具身世界模型基准RoboPhys-3D，含50个操作任务等数据，提出两个评估分数，发现Cosmos 3的RoboPhyscore最高，该分数与人类评估一致性强。

Comments 66 pages, 12 figures, 55 tables

Agri-Sim: Agricultural Simulation Platform for Embodied Intelligence Evaluation in Greenhouse Robotics

Agri-Sim：用于温室机器人具身智能评估的农业仿真平台

Shuhan Shi, Zhenfeng Xue, Minghao Mei, Chao Zheng, Nan Li, Zhonghua Miao

机构 * School of Mechatronic Engineering and Automation, Shanghai University（上海大学机电工程与自动化学院） ； Sino-European School of Technology of Shanghai University（上海大学中欧工程技术学院） ； School of Future Technology (Institute of Artificial Intelligence), Shanghai University（上海大学未来技术学院（人工智能研究院）） 纠错

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

AI总结 研究针对农业机器人开发所需的仿真环境需求，提出基于Unity和ROS2的Agri-Sim平台，通过实验验证其可支持导航与操纵工作流的闭环集成及可重复功能评估，为后续相关研究提供实用基础。

Comments 13 pages, 9 figures, and 5 tables

Brain-Language-Action (BLA) Models: Language-Conditioned EEG for Robotics Control

脑-语言-动作（BLA）模型：用于机器人控制的语言条件化脑电图

Alexandr Plashchinsky

机构 * VECTOR Labs（VECTOR实验室） 纠错

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

AI总结 该研究提出脑-语言-动作（BLA）模型，通过语言条件化扩展EEG机器人控制范围，基于BCI数据集开发无人机控制BLA，经两阶段训练后在840种映射中达到90%每标记准确率。

Task-Relevant Feature-Dynamics Fidelity Enables Zero-Shot Sim-to-Real Transfer for Robotic Ultrasound Scanning

任务相关特征动力学保真度实现机器人超声扫描的零样本仿真到真实迁移

Yizhao Qian, Jiayuan Luo, Wanyi Zhu, Yameng Zhang, Max Q. -H. Meng, Yixuan Yuan, Li Liu

机构 * The Chinese University of Hong Kong（香港中文大学） ； Great Bay University（大湾区大学） ； Dongguan Great Bay Institute for Advanced Study（东莞大湾区先进研究院） ； The University of Hong Kong（香港大学） ； Southern University of Science and Technology（南方科技大学） 纠错

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

AI总结 该研究提出任务相关特征动力学保真度（TR-FDF），开发面向TR-FDF的超声模拟器，实现仅仿真训练的机器人超声策略在体模实验中400次零样本部署成功390次，提升零样本仿真到真实迁移性能。

MagicSim: A Unified Infrastructure for Executable Embodied Interaction

MagicSim: 可执行具身交互的统一基础设施

Haoran Lu, Songling Liu, Yue Chen, Guo Ye, Mutian Shen, Shuyang Yu, Yu Xiao, Shang Wu, Jiayi Wang, Jianshu Zhang, Jihai Zhao, Xiangtian Gui, Chuye Hong, Yuran Wang, Maojiang Su, Ruihai Wu, Zhaoran Wang, Han Liu

机构 * Northwestern University（西北大学） ； Peking University（北京大学） ； University of California, Berkeley（加州大学伯克利分校） ； ShanghaiTech University（上海科技大学） 纠错

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

AI总结 提出MagicSim，一个基于确定性批处理运行时和共享MDP的具身交互基础设施，通过YAML规范解耦内容、放置、行为和智能体暴露，统一世界构建、执行、评估和自动生成轨迹。

Comments v2:Expanded the supplementary materials by adding three sections-Scene YAML, Robot Embodiment List, and Atomic Skill List-corrected typographical errors, and corrected author-affiliation information that was inaccurate in the previous version

Geometric Attractor Monitoring: A Robust and Frugal Framework for Multi-modal Industrial Robotic Cycles

几何吸引子监测：一种针对多模态工业机器人周期的鲁棒且经济的框架

Martin Bonsergent-Brachet, Jesse Read, Dany Abboud

机构 * LIX, École Polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院LIX实验室，巴黎理工学院） ； Renault（雷诺公司） 纠错

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

AI总结 针对多模态工业机器人周期及故障数据稀缺的挑战，提出基于相空间重构的几何吸引子监测框架，用离散支持估计构建健康指标，在真实与合成数据集上性能优于深度学习基线。

Comments 17 pages, 6 figures. Accepted at ECML PKDD 2026

RLinf-USER: A Unified and Extensible System for Real-World Online Policy Learning in Embodied AI

RLinf-USER: 一个统一且可扩展的系统，用于具身人工智能中的现实世界在线策略学习

Hongzhi Zang, Shu'ang Yu, Hao Lin, Tianxing Zhou, Zefang Huang, Zhen Guo, Xin Xu, Jiakai Zhou, Yuze Sheng, Shizhe Zhang, Feng Gao, Wenhao Tang, Yufeng Yue, Quanlu Zhang, Xinlei Chen, Chao Yu, Yu Wang

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

AI总结 RLinf-USER是一个统一且可扩展的系统，用于现实世界中的在线策略学习，通过统一硬件抽象层和异步框架实现多机器人协调与长时训练。

Comments Accepted to RSS 2026

Towards a Systems Foundation for Agentic Skills: Architecture, Lifecycle, and Security

面向智能体技能的系统基础：架构、生命周期与安全性

Sanket Badhe, Deep Shah, Priyanka Tiwari, Nehal Kathrotia

机构 * Google LLC（谷歌有限责任公司） ； Purdue University（普渡大学） 纠错

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

AI总结 本文为智能体技能生态建立统一系统基础与参考架构，界定其九阶段生命周期，探讨安全威胁与防御机制，分类多领域系统实现，确立智能体技能为自主语言智能体的基础范式。

OptiGeo: Efficient Monocular Geometry for Embodied Perception in Optically Challenging Scenes

OptiGeo：面向光学挑战性场景具身感知的高效单目几何方法

Muxin Liu, Tianbo Liu, Jing Xia, Xiaoyang Lyu, Xiaoshan Wu, Bo Wang, Peng Dai, Zhongrui Wang, Shaoshuai Shi, Xiaojuan Qi

机构 * The University of Hong Kong（香港大学） ； Voyager Research, DiDi Chuxing（滴滴出行 Voyager 研究院） ； Southern University of Science and Technology（南方科技大学） 纠错

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

AI总结 OptiGeo是一种感知偏差的训练框架，利用小目标渲染集修正局部几何畸变，在透明场景基准上性能远超更大规模模型，可作为光学挑战性场景的高效感知模块。

Comments Project Page: https://mx-liu6.github.io/OptiGeo-web/

TrAct: Bridging Robot Control and Visual Prediction with Visual Tracks

TrAct：通过视觉轨迹连接机器人控制与视觉预测

Zhi Cao, Howard Ji, Kevin Zhang, Kuangzhi Ge, Li Fei-Fei, Jiajun Wu, Huang Huang

机构 * University of Michigan（密歇根大学） ； Stanford University（斯坦福大学） 纠错

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

AI总结 TrAct是基于世界模型的机器人决策框架，以视觉轨迹为控制与预测的中间接口，在LIBERO-INTEGRAL基准和Franka任务上，相较基线π₀.5显著提升了操作成功率与视频预测质量。

InLiER: Learning-Free Heterogeneous LiDAR Place Recognition via Intermediate Mixed-Radix Structural Keypoint Tokenization

InLiER：通过中间混合基数结构关键点令牌化实现无学习的异构激光雷达地点识别

Nikolaos Stathoulopoulos, George Nikolakopoulos

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

AI总结 研究针对机器人平台结合多种激光雷达致现有描述符性能下降的问题，提出无学习管道InLiER，通过混合基数令牌ID编码关键点信息，经三个检索阶段处理，在相关数据集和实验中表现出色，优于基于学习的基线。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L). 8 pages, 8 figures

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 10, pp. 11275-11282, 2026