机器人 / 具身智能

Distilling Collaborative Dynamics into Latent Space for Implicit Coordination in Decentralized Multi-Agent Manipulation

将协作动态蒸馏到潜在空间以实现分散式多智能体操作中的隐式协调

Chanyoung Park, Minsung Yoon, Andrew Jeong, Sung-eui Yoon

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出CLS-DP分散式多智能体框架，通过将多智能体动态蒸馏到潜在空间，在部分可观测下实现隐式协调，无需全局视图或通信，在RoboFactory任务中平均成功率38%，优于集中式基线20%。

Comments Accepted to IROS 2026 | Project Page: https://cosdeneb.github.io/cls-dp/

Robust Operational Space Control with Conformal Disturbance Bounds for Safe Redundant Manipulation

具有共形扰动边界的鲁棒操作空间控制用于安全冗余操作

Wenhua Liu, Fan Zhang, Qin Lin

机构 * Department of Engineering Technology and the Department of Electrical and Computer Engineering, University of Houston（工程科技系和电气与计算机工程系，休斯顿大学） 纠错

专题命中 机器人操作 ：manipulation(title)；robotic(abstract)；分类 cs.RO

AI总结 提出结合扩展状态观测器和共形预测的鲁棒操作空间控制框架，在动态不确定性下实现冗余机械臂的精确任务空间跟踪与安全保证。

Comments Paper accepted to IROS 2026

ShapeGrasp: Simultaneous Visuo-Haptic Shape Completion and Grasping for Improved Robot Manipulation

ShapeGrasp: 同时进行视觉-触觉形状补全与抓取以改进机器人操作

Lukas Rustler, Matej Hoffmann

机构 * Czech Technical University in Prague（捷克布拉格技术大学） 纠错

专题命中 机器人操作 ：manipulation(title)；robotic(abstract)；分类 cs.RO

AI总结 提出ShapeGrasp迭代抓取与补全流程，结合隐式表面视觉-触觉形状补全与基于物理的抓取规划，从单RGB-D视图推断完整形状并生成候选抓取，利用抓取反馈更新形状，在真实机器人上实现高抓取成功率并改善3D形状重建质量。

Comments Submitted for peer review

From Grasps to Dexterity: Large-Scale Grasp Pretraining for Dexterous Manipulation

从抓取到灵巧：大规模抓取预训练用于灵巧操作

Ying Yuan, Xinyu Liu, Sriram Krishna, David Held

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 本文提出一种层次化模仿学习框架，利用大规模灵巧抓取数据集预训练低级控制器，再微调于下游工具使用任务，在仿真和真实实验中显著提升成功率。

Comments Project page: https://yingyuan0414.github.io/grasp2dexterity/

LDHP: Library-Driven Hierarchical Planning for Non-prehensile Dexterous Manipulation

LDHP：基于库的非抓取灵巧操作分层规划

Tierui He, Jiahui Zuo, Fumin Zhang, Chao Zhao

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出库驱动分层规划器LDHP，通过顶层接触状态规划器与底层抓取规划器协同，实现非抓取操作的可执行性，在零自由度提升和槽插入任务中验证了鲁棒性。

Comments 8 pages,accepted by IROS 2026

Behavior Prompting Policy: Demonstrations as Prompts for Manipulation

行为提示策略：将演示作为操作提示

Austin Patel, Ben Pekarek, Joel Enrique Castro Hernandez, Shuran Song

机构 * Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出行为提示策略（BPP），通过单次人类演示（行为提示）使机器人推理时执行新任务，结合手持操作接口iPhUMI收集多样化数据，在DrawAnything和LIBERO-Gen基准上验证零样本适应能力。

TacEvo: Self-Evolving Architecture Discovery for Robotic Tactile Perception via LLM-Driven Quality-Diversity Search

TacEvo：通过LLM驱动的质量多样性搜索实现机器人触觉感知的自演化架构发现

Mohammed AbuSadeh, Lan Wei, Dandan Zhang

机构 * Department of Bioengineering, Imperial-X Initiative, Imperial College London（生物工程系、Imperial-X计划、伦敦帝国学院） 纠错

专题命中 机器人操作 ：robotic(title,abstract)；分类 cs.RO

AI总结 提出TacEvo框架，利用LLM生成代码级变异和交叉，结合MAP-Elites质量多样性循环，自动发现高效触觉感知网络架构，在力回归和光栅分类任务上显著提升性能。

Analytic Concept-Centric Memory for Agentic Embodied Manipulation

分析性概念中心记忆用于具身操作代理

Mingyang Sun, Xiujian Liang, Jiude Wei, Qichen He, Donglin Wang, Cewu Lu, Jianhua Sun

机构 * Zhejiang University（浙江大学） ； Shanghai Innovation Institute（上海创新研究院） ； Fudan University（复旦大学） ； Westlake University（西湖大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出分析性概念中心记忆框架，通过结构化概念（语义部件、参数模板等）组织经验，支持粗到细检索，提升长时程具身操作中的物体重识别、状态推理和技能复用。

Are LLMs Reliable Rankers? Rank Manipulation via Two-Stage Token Optimization

LLMs的排名可靠性如何？通过两阶段令牌优化实现排名操纵

Tiancheng Xing, Jerry Li, Yixuan Du, Xiyang Hu

机构 * National University of Singapore（新加坡国立大学） ； University of Southern California（南加州大学） ； Georgetown University（乔治城大学） ； Arizona State University（亚利桑那州立大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.AI

AI总结 本文提出RAF方法，通过两阶段令牌优化生成自然语言提示，提升目标项在LLM排名中的位置，同时保持语言自然性，实验显示其在提升排名和保持自然性方面比现有方法更鲁棒。

Comments ACL 2026

CWI: Composite Humanoid Whole-Body Imitation System for Loco-manipulation

CWI: 复合型人形机器人全身模仿系统用于移动操作

Wenqi Ge, Junde Guo, Zhen Fu, Shunpeng Yang, Jiayu Chen, Hua Chen

机构 * LimX Dynamics ； The University of Hong Kong（香港大学） ； School of Automation and Intelligent Manufacturing, Southern University of Science and Technology（南方科技大学自动化与智能制造学院） ； Hong Kong University of Science and Technology（香港科技大学） ； ZJU-UIUC Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出CWI框架，通过解耦上下半身动作捕捉数据，结合对抗性运动先验和多评论家架构，实现人形机器人稳定移动与灵巧操作的全身协调控制。

Not All Actions Are Equal: Rethinking Conditioning for Dexterous World Model

并非所有动作都同等重要：重新思考灵巧世界模型的条件化

Zizhao Yuan, Zhengtu Liang, Taowen Wang, Qiwei Liang, Yichi Wang, Yunheng Wang, Yuetong Fang, Lusong Li, Zecui Zeng, Renjing Xu

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； Shenzhen University（深圳大学） ； Beijing University of Technology（北京工业大学） ； JD Explore Academy（京东探索研究院） 纠错

专题命中 机器人操作 ：world model(title,abstract)；分类 cs.CV

AI总结 针对高自由度灵巧动作中不同分量重要性不均导致优化失衡的问题，提出DexAC-WM，通过动作标记化保留维度级语义，结合局部细化与全局调制对齐动作与视觉动态，并引入语义分支提供物体场景先验，显著提升视频预测的真实感和动作一致性。

Humanoid-DART: Humanoid Loco-Manipulation using Diffusion-guided Augmentation through Relabeling and Tracking

Humanoid-DART: 使用扩散引导的增强通过重新标记和跟踪实现人形机器人全身操控

Pranav Debbad, Kanish Thiagarajan, Victor Dhédin, Shafeef Omar, Majid Khadiv

机构 * Munich Institute of Robotics and Machine Intelligence (MIRMI)（慕尼黑机器人与智能机构（MIRMI）） ； Technical University of Munich (TUM)（慕尼黑技术大学（TUM）） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出一种自监督框架，从稀疏演示中引导并逐步扩展行为库，结合扩散轨迹生成与强化学习，实现目标条件策略学习，减少专家监督。

Bridging Handheld and Teleoperated Supervision for Contact-Rich Manipulation via State-Gated Experts

通过状态门控专家弥合手持与遥操作监督在接触丰富操作中的差距

Vidullan Surendran, Neehar Peri, David Watkins

机构 * RAI Institute（RAI研究所） ； Carnegie Mellon University（卡内基梅隆大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 针对接触丰富操作任务，提出BRIDGE方法，通过状态门控混合扩散策略专家，融合手持数据与少量遥操作演示，在接触敏感阶段利用期望动作，提升成功率最高36.7%。

Comments Project Page: https://nperi-rai.github.io/bridge-project/

OmniContact: Chaining Meta-Skills via Contact Flow for Generalizable Humanoid Loco-Manipulation

OmniContact: 通过接触流链接元技能实现可泛化的人形移动操作

Runyi Yu, Xiaoyi Lin, Ji Ma, Yinhuai Wang, Koukou Luo, Jiahao Ji, Huayi Wang, Wenjia Wang, Runhan Zhang, Ping Tan, Ting Wu, Ruoli Dai, Qifeng Chen, Lei Han

机构 * Noitom Robotics（诺亦腾机器人） ； The Hong Kong University of Science and Technology（香港科技大学） ； Wuhan University（武汉大学） ； The University of Hong Kong（香港大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出以接触流为核心的分层框架，通过低层策略学习统一技能库、高层模块合成未来接触流序列，实现人形机器人长时程任务的鲁棒执行与自主恢复，在搬运箱子和推叠箱子任务上分别达到98.7%和76.5%的成功率。

$ω$-EVA: Envision, Verify, and Act with Latent Interactive World Models

$ω$-EVA：基于潜在交互世界模型的构想、验证与行动

Zhenguo Sun, Yu Sun, Hande Huang, Alois Knoll

机构 * Technical University of Munich（慕尼黑工业大学） 纠错

专题命中 机器人操作 ：world model(title,abstract)；分类 cs.RO

AI总结 提出$ω$-EVA框架，通过潜在交互世界模型实现“构想-验证-行动”循环，利用动作条件潜在动力学和语言条件流策略生成动作，无需生成未来视频，在多种机器人操作任务中提升策略性能。

Comments Add some ablation experiments

Enabling Robust Cloth Manipulation via Inference-Time Simulator-in-the-Loop Refinement

通过推理时仿真器在环优化实现鲁棒的布料操作

Xin Liu, Yulin Li, Ziming Li, Pengyu Jing, Zhenhao Huang, Bingyang Zhou, Ziqiu Zeng, Siyuan Luo, Chenkun Qi, Fan Shi

机构 * National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出基于仿真器在环优化的布料操作框架，通过合成数据训练的真实到仿真模块和稀疏网格滚动结合先验引导MPPI，从单RGB输入实现鲁棒操作。

Scalable Multi-Task Data Generation via Reinforcement Learning for Language-Conditioned Bimanual Dexterous Manipulation

基于强化学习的可扩展多任务数据生成用于语言条件双手灵巧操作

Zechu Li, Yufeng Jin, Puze Liu, Jan Peters, Georgia Chalvatzaki

机构 * TU Darmstadt（达姆施塔特工业大学） ； Honda Research Institute Europe GmbH（本田欧洲研究院有限公司） ； DFKI（德国人工智能研究中心） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出基于强化学习的系统化数据生成流程，结合通用奖励设计、域随机化和语言条件任务标注，合成高质量双手灵巧操作数据集，训练语言条件多任务策略，提升跨任务泛化能力。

Journal ref IROS 2026

Do Rigid-Body Simulators Dream of Soft Robots? Learning Contact-Rich Manipulation for Tendon-Driven Continuum Robots

刚体模拟器会梦见软体机器人吗？学习肌腱驱动连续体机器人的接触丰富操作

Chengnan Shentu, Nicholas Baldassini, Tongjia Zheng, Priyanka Rao, Jessica Burgner-Kahrs

机构 * University of Toronto（多伦多大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 针对肌腱驱动连续体机器人缺乏接触丰富操作模拟基础设施的问题，提出基于连续介质力学的离散化方法，将软体机器人原生集成到MuJoCo中，实现仿真到真实世界的零样本迁移。

Comments Project Page: https://continuumroboticslab.github.io/opencr-mujoco/

T-IMPACT: A Severity-Aware Benchmark for Contextual Image-Text Manipulation

T-IMPACT：面向上下文图像-文本操纵的严重性感知基准

Gagandeep Singh, Aaditya Yadav, Priyanka Singh

机构 * The University of Queensland（昆士兰大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.CV

AI总结 提出T-IMPACT基准，包含98,786个图像-文本对，涵盖原始、仅图像、仅文本和联合操纵，通过校准的连续严重性分数和粗粒度标签评估操纵对上下文理解的影响，实验表明现有模型在严重性预测上仍远弱于人类判断。

Comments 7 pages, 2 figures

OpenHLM: An Empirical Recipe for Whole-Body Humanoid Loco-Manipulation

OpenHLM：全身人形机器人移动操作的经验配方

Yingdong Hu, Haodong Zhu, Boyuan Zheng, Yihang Hu, Tong Zhang, Zunhao Chen, Junming Zhao, Ruiqian Nai, Yang Gao

机构 * Tsinghua University（清华大学） ； Shanghai Qi Zhi Institute（上海期智研究院） ； Spirit AI 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出OpenHLM，通过全身遥操作、VLA模型设计和异构协同训练三阶段实验，构建直接映射语言和像素到人形机器人全部自由度的原生视觉-语言-动作模型，在长时域任务中优于现有基线。

VQActFlow: Vector-Quantized Action Mode Steering for Multi-Task Robot Manipulation

VQActFlow: 用于多任务机器人操作的矢量量化动作模式引导

Zhigen Zhao, Mark Leggiero, Yipu Chen, Haoran Liu, Yifan Wu, Huishu Xue, Sirui Zhan, Ye Zhao

机构 * Institute for Robotics and Intelligent Machines (IRIM), Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所（IRIM）） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出VQActFlow，通过矢量量化动作标记和变分流匹配生成离散代码序列，显式区分动作模式，并利用推理时引导（语言条件无分类器引导和代码本评论家）实现模式承诺，在LIBERO、Unitree G1和ALOHA平台上优于连续和离散基线。

Comments 8 pages, 9 figures, 5 tables

Manipulider: A Multi-Engine Buoyancy-Controlled Robot for Thrusterless Underwater Gliding and Manipulation

Manipulider: 一种用于无推进器水下滑翔和操作的多引擎浮力控制机器人

Yitao Jiang, Yewei Huang, Weizhi Cao, Mingi Jeong, Alberto Quattrini Li, Luyang Zhao, Muhao Chen, Devin Balkcom

机构 * Dept. of Computer Science, Dartmouth College（达特茅斯学院计算机科学系） ； Dept. of Mechanical and Aerospace Engineering, University of Houston（休斯顿大学机械与航空航天工程系） ； Dept. of Aerospace and Ocean Engineering, Virginia Tech（弗吉尼亚理工大学航空航天与海洋工程系） ； Dept. of Electrical and Computer Engineering, Clemson University（克莱姆森大学电气与计算机工程系） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出一种基于浮力驱动的无推进器水下机器人Manipulider，通过四个注射器式浮力引擎调节净浮力和浮心，实现大倾斜角静态平衡和姿态操作，并具备磁模块化接口。实验验证了单引擎64.6°和双引擎61.8°的最大静态倾斜角，以及垂直和倾斜过渡动力学。

A Human-Inspired Thumb-Index Robotic Hand with Strain Gauges Embedded in Soft Joints

一种受人类启发的拇指-食指机械手，其软关节中嵌入应变片

Jonas Papenbrock, Shubhan Patni, Tomaso Lisini Baldi, Michele Guerri, Elia Landi, Ada Fort, Matej Hoffmann

机构 * University of Siena（锡耶纳大学） ； Czech Technical University in Prague（布拉格捷克理工大学） 纠错

专题命中 机器人操作 ：robotic(title,abstract)；分类 cs.RO

AI总结 受生物力学原理启发，开发了安全拇指-食指机械手（STIR Hand），通过欠驱动腱驱动设计与嵌入硅胶软关节的柔性应变片，实现被动抓取适应，并建立内部本体感知和外部感知。实验表明，软关节传感器显著提高了抓取灵敏度和安全性。

Comments 8 pages, 7 figures

Remember what you did?: Learning Behavioral Memories for Partially Observable Object Manipulation

记住你做了什么？：学习部分可观察物体操作的行为记忆

Kuancheng Wang, Seungho Yeom, Jinglin Cao, Yuheng Zhi, Nikhil Shinde, Michael Yip

机构 * UC San Diego（加州大学圣地亚哥分校） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 针对长时域、接触式操作中的部分可观测问题，提出压缩动作记忆策略（CAMP），通过自监督学习动作历史压缩表示，隐式追踪任务进度并从失败中学习，在多个真实和仿真任务上超越现有方法。

Comments Project website: robo-camp.github.io

Pose-Agnostic Robotic Functional Grasping via Observation-Action Canonicalization

通过观测-动作规范化实现姿态无关的机器人功能性抓取

Le Qiu, Cole Harrison, Jiankai Sun, Yao Liu, Suning Huang, Qianzhong Chen, Yang You, Marco Pavone

机构 * Tsinghua University（清华大学） ； Amazon（亚马逊） ； Stanford University（斯坦福大学） ； University of California, Berkeley（加州大学伯克利分校） 纠错

专题命中 机器人操作 ：robotic(title,abstract)；分类 cs.RO

AI总结 提出AnyMug框架，通过观测-动作规范化将深度观测和末端执行器动作转换到物体中心坐标系，训练单一闭环策略实现零样本迁移的功能性抓取，在模拟和真实机器人上均取得高成功率。

ZeroDex: Zero-Shot Long-Horizon Dexterous Manipulation via Multi-View 3D-Grounded VLM Reasoning

零样本长时程灵巧操作：基于多视图3D接地VLM推理

Jisoo Kim, Sangwon Baik, Taeksoo Kim, Sungjoo Kim, Junyoung Lee, Mingi Choi, Hanbyul Joo

机构 * Seoul National University（首尔国立大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出零样本框架，利用多视图RGB图像通过VLM生成3D任务规划，结合三角测量和射线投票实现精确3D接地，支持抓取和工具使用，在真实实验中优于基线方法。

EBench: Elemental Diagnosis of Generalist Mobile Manipulation Policies

EBench: 通用移动操作策略的要素诊断

Ning Gao, Jinliang Zheng, Xing Gao, Haoxiang Ma, Hanqing Wang, Yukai Wang, Jiantong Chen, Zanxin Chen, Shujie Zhang, Mingda Jia, Xuekun Jiang, Zihou Zhu, Xinyu Li, Shuai Wang, Hao Li, Wenzhe Cai, Yuqiang Yang, Xudong Xu, Zhaoyang Lyu, Yao Mu, Tai Wang, Jiangmiao Pang, Jia Zeng, Weinan Zhang, Chunhua Shen

机构 * Shanghai AI Laboratory（上海人工智能实验室） ； Xi’an Jiaotong University（西安交通大学） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学智能产业研究院） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Shanghai Jiao Tong University（上海交通大学） ； Zhejiang University（浙江大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出EBench基准，从5个能力和4个泛化维度诊断通用移动操作模型，揭示不同模型在成功率相近时能力差异显著。

TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation

TopoRetarget：面向灵巧操作的交互保持重定向

Jielin Wu, Shenzhe Yao, Guanqi He, Xiaohan Liu, Zhaoqing Zeng, Xiangrui Jiang, Han Yang, Wentao Zhang, Hang Zhao

机构 * IIIS, Tsinghua University（清华大学交叉信息研究院） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出TopoRetarget框架，通过稀疏交互图和距离加权拉普拉斯变形，在重定向中保持手-物体交互结构，提升灵巧操作强化学习策略的性能。

Comments Project page: https://toporetarget2026.github.io/TopoRetarget/

FILIC: Dual-Loop Force-Guided Imitation Learning with Impedance Torque Control for Contact-Rich Manipulation Tasks

FILIC：基于阻抗力矩控制的双环力引导模仿学习用于接触丰富操作任务

Haizhou Ge, Yufei Jia, Zheng Li, Yue Li, Zhixing Chen, Lu Shi, Lei Han, Ruqi Huang, Guyue Zhou

机构 * Tsinghua University（清华大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； DISCOVER Robotics（DISCOVER机器人） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出FILIC框架，通过双环结构结合Transformer策略与阻抗控制器，利用关节力矩估计末端力，实现无力传感器下的力感知接触操作，显著提升安全性和适应性。

PTLD: Sim-to-real Privileged Tactile Latent Distillation for Dexterous Manipulation

PTLD: 从仿真到现实的触觉潜在知识蒸馏用于灵巧操作

Rosy Chen, Mustafa Mukadam, Michael Kaess, Tingfan Wu, Francois R Hogan, Jitendra Malik, Akash Sharma

机构 * Carnegie Mellon University（卡内基梅隆大学） ； University of Washington（华盛顿大学） ； FAIR at Meta（Meta的FAIR团队） ； UC Berkeley（伯克利大学） 纠错

专题命中 机器人操作 ：manipulation(title,abstract)；分类 cs.RO

AI总结 提出PTLD方法，通过真实世界触觉策略数据蒸馏鲁棒状态估计器，解决触觉仿真困难问题，在灵巧操作任务中相比纯本体感策略提升182%和57%。