机器人 / 具身智能

Co-Creating Buildable and Open Social Robot Study Companions with University Students

与大学生共同创造可构建且开放的社会机器人学习伙伴

Farnaz Baksh, Matevž B. Zorec, Feiazie Baksh, Karl Kruusamäe

机构 * University of Tartu（塔尔图大学） ； University of Guyana Robotics Club（圭亚那大学机器人俱乐部） 纠错

专题命中 机器人学习 ：navigation(abstract)；分类 cs.RO；robotics(comments)

AI总结 针对开源机器人构建门槛高的问题，采用双钻石框架与大学生共同设计机器人学习伴侣v4.1，通过扭锁、卡扣等可装配/拆卸设计，将系统可用性从差提升至优（SUS 59.4→89.4），并降低感知工作负荷。

Comments Accepted for 18th International Conference on Social Robotics (ICSR + ART 2026), London, UK | 1-4 July 2026

Sling2Sim2Real: One-Shot Elastic System Identification for Non-Destructive Slingshot Policy Learning

Sling2Sim2Real：用于无损弹弓策略学习的一次性弹性系统识别

Wonjae Kang, Geonwoo Kim, Minseok Song, Daehyung Park

机构 * School of Computing, Korea Advanced Institute of Science and Technology（韩国科学技术院计算机学院） 纠错

专题命中 机器人学习 ：manipulation(abstract)；分类 cs.RO

AI总结 针对弹性物体操纵中校准现实与模拟弹性行为的挑战，提出Sling2Sim2Real框架；通过多起点Real2Sim系统识别方法及模拟策略学习等，从单次无损交互识别弹性参数，实现准确策略学习与稳健泛化，减少现实交互量。

Comments Accepted by IROS 2026

User-Driven Learning from Demonstration: A Trajectory and Impedance Learning Method

用户驱动的示范学习：一种轨迹和阻抗学习方法

Zi-Qi Yang, Mehrdad R. Kermani

机构 * Department of Electrical and Computer Engineering, Western University（西安大略大学电气与计算机工程系） 纠错

专题命中 机器人学习 ：robot learning(abstract)；分类 cs.RO

AI总结 本文提出一种用户驱动的机器人示范学习方法，结合三维快速微分同胚匹配算法与基于动态系统的运动生成器，利用扩展卡尔曼滤波器补偿误差，引入阻抗参数化函数学习阻抗变化，经实验验证可减少用户工作量，确保动作精确再现并提升人机交互安全性。

Comments Accepted at IEEE International Conference on Automation Science and Engineering (CASE) 2026, 7 pages

Reverse to Advance: Teleoperation-Cost Effective Hard Policy Learning from Reversed Easy Tasks

逆向推进：从逆向简单任务中进行遥操作成本有效的硬策略学习

Qiyuan Qiao, Ge Yuan, Can Wang, Dong Xu

机构 * The University of Hong Kong（香港大学） 纠错

专题命中 机器人学习 ：manipulation(abstract)；分类 cs.RO

AI总结 研究针对高质量遥操作数据集收集成本高的问题，提出通过逆向简单任务进行硬策略学习的框架，含闭环数据收集、分层数据细化和迭代策略学习方法，经实验验证该方法能高效稳定地训练复杂操作任务，提升硬任务成功率。

Comments 17 pages, 17 figures

Spatial Attention: Adapting Execution Horizons for Diffusion Policies via Observation Sensitivity

空间注意力：通过观测敏感度调整扩散策略的执行范围

Che-Sang Park, Junsu Ha, Jianlong Fu, Frank C. Park

机构 * Robotics Laboratory, Seoul National University（首尔国立大学机器人实验室） ； Microsoft Research Asia（微软亚洲研究院） 纠错

专题命中 机器人学习 ：robotic(abstract)；分类 cs.RO

AI总结 研究如何在机器人学习中自适应调整采样动作块的执行范围以平衡响应性和计算成本，引入空间注意力概念，通过预测未来值动态分配执行范围，实验表明该方法可提高成功率。

Human-as-Humanoid: Enabling Zero-Shot Humanoid Learning from Ego-Exo Human Videos with Human-Aligned Embodiments

人类作为人形机器人：通过人类对齐的具身从自我-外部人类视频实现零样本人形机器人学习

Xiaopeng Lin, Ruoqi Yang, Shijie Lian, Zhaolong Shen, Bin Yu, Changti Wu, Haibao Liu, Yuxiang Zhang, Hong Li, Qiyuan Su, Haochen Liu, Xuguo He, Yukun Shi, Cong Huang, Zhirui Zhang, Bojun Cheng, Kai Chen

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； DeepCybo ； ZGCA ； ZGCI ； Harbin Institute of Technology（哈尔滨工业大学） ； Huazhong University of Science and Technology（华中科技大学） ； Beihang University（北京航空航天大学） 纠错

专题命中 机器人学习 ：manipulation(abstract)；分类 cs.RO

AI总结 提出Human-as-Humanoid框架，通过对齐机器人本体、感知设置和动作标签接口，将大规模人类演示视频转化为可执行的动作监督，实现高自由度人形机器人的零样本学习。

Comments 20 pages, 9 figures

SPACE: Enabling Learning from Cross-Robot Data Toward Generalist Policies

SPACE：从跨机器人数据中学习通用策略

Haeone Lee, Byeongguk Jeon, Suchae Jeong, Jian Kim, Kimin Lee

机构 * KAIST（韩国科学技术院） ； Config ； Yonsei University（延世大学） 纠错

专题命中 机器人学习 ：robot learning(abstract)；分类 cs.RO

AI总结 提出SPACE框架，通过笛卡尔状态增量作为通用动作表示，结合动作适配器处理机器人动力学差异，实现跨本体和硬件的策略学习，显著优于直接预测控制命令的方法。

Comments Project page: http://haeone.site/space-website

Agentic AutoResearch forSpace Autonomy: An Auditable, LLM-Driven Research Agent for Aerospace Control Problems

面向空间自主性的智能体自动研究：用于航空航天控制问题的可审计、LLM驱动的研究代理

Amit Jain, Richard Linares

机构 * Department of Aeronautics and Astronautics（航空航天学系） 纠错

专题命中 机器人学习 ：navigation(abstract)；分类 cs.RO

AI总结 提出AutoResearch框架，利用大语言模型作为离线研究代理，自动迭代开发航天控制策略，并通过内置可信层审计结果，消除种子噪声影响，在交会和对接问题上验证了有效性。

VENOM: Versatile Embodied Network for Omni-bodied Motion tracking

VENOM: 用于全身运动追踪的多功能具身网络

Siddharth Padmanabhan, Kazuki Miyazawa, Takato Horii

机构 * Graduate School of Engineering Science, University of Osaka（大阪大学工学研究科） 纠错

专题命中 机器人学习 ：robot learning(abstract)；分类 cs.RO

AI总结 提出VENOM，一种基于GPT的跨具身全身运动追踪模型，在仿真中实现多个人形机器人的全身运动追踪，无需分离上下身控制。

Goal Sets, Not Goal States: Queryable Robot Goals through Goal-Set Hindsight Relabeling

目标集，而非目标状态：通过目标集事后重标记实现可查询的机器人目标

Carlos Vélez García, Miguel Cazorla, Jorge Pomares

机构 * INESCOP（西班牙鞋类及相关技术研究所） ； University of Alicante（阿利坎特大学） 纠错

专题命中 机器人学习 ：robot learning(abstract)；分类 cs.RO

AI总结 提出目标集事后重标记（GS-HER），将事后重标记从单目标状态推广到谓词级目标集，通过可查询的二值谓词解耦成功条件与状态维度，提升离线GCRL在冗余维度下的性能，并实现单一模型支持多目标谓词。