CoRL

CAP: Continuously Adaptive Perception-Blind Humanoid Locomotion via Learned Denoising

CAP：通过学习去噪实现连续自适应感知缺失的人形机器人 locomotion

Hongjin Chen, Zijun Xu, Shihao Ma, Yi Zhao, Xilai Liu, Ke Ma, Wei Zhang, Chunyang Xie, Pengfei Li, Jieru Zhao, Wenchao Ding

机构 * Fudan University（复旦大学） ； TARS Robotics（TARS机器人公司） ； Shanghai Innovation Institute（上海创新研究院） ； Harbin Institute of Technology（哈尔滨工业大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 针对人形机器人外部感知不可靠问题，提出单阶段策略 CAP，用学习去噪恢复损坏深度并融合本体感觉，在仿真和 Unitree G1 上实现感知鲁棒 locomotion。

Comments Accepted at the Conference on Robot Learning (CoRL), 2026

ObstaDiff: Generalizable Diffusion Policy Learning via Obstacle-aware Representations

ObstaDiff：基于障碍物感知表示的泛化扩散策略学习

Jiawen Wang, Kevin Yao, Khalid Jawed

机构 * University of California, Los Angeles（加州大学洛杉矶分校） 纠错

AI总结 ObstaDiff提出分解扩散策略框架，利用轻量级障碍物感知编码器提取目标-障碍物-背景表示，在真实温室试验中实现75.41%成功率和8.20%碰撞率，提升杂乱场景泛化能力。

Comments Accepted to the 10th Conference on Robot Learning (CoRL 2026), Austin, TX, USA. 16 pages, 5 figures

HuRo: Robotizing Human Videos for Scalable VLA Pretraining

HuRo：将人类视频机器人化以实现可扩展的VLA预训练

Jinho Jeong, Se June Joo, Jaehyun Kang, Dongyun Kim, Yena Kim, Hanjung Kim, Seon Joo Kim

机构 * RLWRLD ； Yonsei University（延世大学） 纠错

AI总结 HuRo提出机器人化人类视频的流程，构建大规模数据集，通过增加预训练规模显著提升真实操作任务的完成率和OOD鲁棒性。

Comments Accepted at CoRL 2026

Assembling Two Parts in One Hand

单手装配两个零件

Liuao Pei, Tianyue Wu, Hui Zhang, Ping Luo, Jie Song

机构 * The University of Hong Kong（香港大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； ETH Zurich（苏黎世联邦理工学院） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

AI总结 本研究提出强化学习框架，实现单只灵巧手内两刚性零件装配，通过目标相对位姿驱动及辅助奖励塑造手指协调，在模拟训练后零样本迁移至真实硬件，验证了鲁棒性并可作为机器人手基准。

Comments To appear on Conference on Robot Learning (CoRL) 2026. Project website: https://ltbgbird.github.io/in-hand-assembly-page/

Actuator Dynamics Curricula for Narrow-Viability Tasks in Legged Robot Learning

腿式机器人学习中窄生存性任务的执行器动力学课程

Kousheek Chakraborty, Chandan K. Rajendra, Ayham Alharbat, Abeje Y. Mersha

机构 * Saxion University of Applied Sciences（萨克逊应用科学大学） ； University of Groningen（格罗宁根大学） ； University of Twente（特文特大学） 纠错

AI总结 针对强化学习在窄生存性任务中因探索提前终止而失败的问题，提出执行器动力学课程，通过退火关节刚度扩大生存性核，在Spot上成功实现四足到倒立过渡并迁移至硬件。

Comments Accepted at 2026 Conference on Robot Learning (CoRL)

Monkey See, Can Monkey Do? A Benchmark for Evaluating Robot Skill Learning by Observation

猴子看，猴子能做吗？一个用于评估机器人通过观察学习技能的基准

Weiwei Gu, Anmol Gupta, Anant Sah, Ryan Varghese, Lalitha Shreya Vanam, Prabhath Adireddi, Peter Karkus, Nakul Gopalan

机构 * School of Augmented Intelligence（增强智能学院） ； Arizona State University（亚利桑那州立大学） ； NVIDIA（英伟达公司） 纠错

AI总结 提出RoboReel基准，通过真实人类视频和模拟轨迹评估机器人观察学习技能，涵盖多算法测试，发现长时程和低容差任务仍是挑战。

Comments 31 pages, 8 tables, 11 figures. In Proceedings of CoRL 2026

FiberTune: Preserving Action-Fiber Visual Residuals in Vision-Language-Action Fine-Tuning

FiberTune: 在视觉-语言-动作微调中保留动作纤维视觉残差

Haihao Lin, Xiangsheng Huang, Xiao Yang, Weibang Zhou, Yiqi Zhang, Bo Yang, Simin Zeng, Jiawei Yang, Zhengyang Wang, Jiahui Du

机构 * University of Chinese Academy of Sciences（中国科学院大学） ； Hebei Key Laboratory of Cognitive Intelligence, Xiong’an Institute of Innovation（河北省认知智能重点实验室，雄安创新研究院） ； Hebei University of Technology（河北工业大学） ； Beijing Information Science and Technology University（北京信息科技大学） 纠错

AI总结 提出FiberTune，通过在线动作探针过滤动作预测特征方向，对齐教师视觉残差并正则化有效秩，在六个仿真和实物任务中提升VLA策略性能。

Comments Accepted at CoRL 2026. Project page: https://fibertune.github.io/ . Code: https://github.com/fibertune/FiberTune

FOCI Policy: Focus on Object-Centric Interactions for Relational Manipulation Policies

FOCI策略：聚焦于关系操作策略的以对象为中心的交互

Ze Fu, Pinhao Song, Yutong Hu, Renaud Detry

机构 * KU Leuven（鲁汶大学） ； Flanders Make（佛兰德斯制造研究院） 纠错

AI总结 FOCI策略通过提取紧凑交互片段并建模对象间相对SE(3)运动，以少量数据实现高效的关系操作泛化。

Comments Accepted to CoRL 2026

AURORA: Active Uncertainty-Driven Re-Orientation for In-Hand Reconstruction

AURORA：用于手内重建的主动不确定性驱动重定向

Feiyu Zhao, Yuetong Li, Chenxi Xiao

AI总结 AURORA提出主动不确定性驱动的重定向框架，通过Ray-GPIS估计方向性不确定性并选择最佳视图，结合手内旋转策略，提升手内物体重建质量与效率。

Comments 23 pages, 11 figures, 6 tables. Accepted to the 10th Conference on Robot Learning (CoRL 2026)

Safe Task Planning with Long-Term Graph Memory for Embodied Agents

面向具身智能体的带长期图记忆的安全任务规划

Siyuan Li, Taiyan Lang, Aoqi Yan, Jia Yu, Feifan Liu, Yihan Du, Yu Zheng, Xun Wang, Peng Liu

机构 * Harbin Institute of Technology（哈尔滨工业大学） ； Singapore University of Technology and Design（新加坡科技设计大学） ； Academy of CASIC（中国航天科工集团研究院） 纠错

AI总结 SafeMem框架通过构建长期语义图记忆和LLM风险预测器，在部分可观测环境中提升具身智能体任务规划的安全性，实验验证其安全成功率显著优于现有方法。

Comments CoRL 2026

Localized Visual Feature Aggregation via Focus Pooling for Visuomotor Policies

聚焦池化的局部视觉特征聚合用于视觉运动策略

Ruiyu Wang, Zheyu Zhuang, Danica Kragic, Florian T. Pokorny

机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） 纠错

AI总结 本文提出FocusPool注意力池化模块，根据本体感觉上下文选择性聚合CNN中间特征，在仿真和真实实验中成功率分别提升36.2%和41.2%，仅训练5.8%编码器参数。

Comments Conference on Robot Learning (CoRL), 2026

Observe Before You Alert: Adaptive Driver Alerting with Vision-Language Models

先观察再告警：基于视觉语言模型的自适应驾驶员告警

Yuhang Wang, Lingyao Li, Hao Zhou

机构 * University of South Florida（南佛罗里达大学） 纠错

AI总结 提出VLAlert框架，将驾驶员告警建模为静默、观察、告警三动作策略，利用视觉语言模型生成安全证据并自适应观察，在多个基准上显著提升告警效用与性能。

Comments 23 pages, 8 figures. Accepted at the Conference on Robot Learning (CoRL) 2026

Mind the Phase: Effective Rank and Representation Health in Legged Locomotion

注意相位：腿式运动中的有效秩与表示健康

Felipe Tommaselli, Thiago H. Segreto, Juliano D. Negri, Ricardo V. Godoy, Marcelo Becker

机构 * University of São Paulo（圣保罗大学） 纠错

AI总结 本研究通过策略雅可比矩阵的有效秩，按步态相位分析腿式运动策略的表示健康，发现层归一化和残差连接为摆动相分配更多秩维度，并提出简单方法实现约3倍更低的关节抖动，改善模拟到现实的迁移。

Comments Accepted at the 10th Conference on Robot Learning (CoRL 2026)

SkillX: Unified Multi-Skill Policy Learning for Humanoid Soccer

SkillX：面向人形足球的统一多技能策略学习

Zhangchen Ye, Enxuan Ruan, Yifei Bao, Runhan Huang, Jiankun Yang, Jiakang Jin, Yixiao Huo, Pengyuan Wang, Yinan Han, Huaxing Huang, Wenhao Cui, Yiming Li, Xiaoyu Tian

机构 * Noetix Robotics（诺蒂克斯机器人公司） ； Tsinghua University（清华大学） 纠错

AI总结 SkillX提出统一强化学习框架，通过命令条件策略整合对抗性运动先验、特定评论家与物体感知编码器，实现人形足球多技能学习与组合，并在仿真和真实机器人上验证。

Comments Accepted to CoRL 2026. Project page: https://yzc0731.github.io/SkillX/

SCoCaT: Success Conditioned Constrained Reinforcement Learning for Spacecraft Docking

SCoCaT: 用于航天器对接的成功条件约束强化学习

Aman Arora, Ricard Marsal I Castan, Matteo El-Hariry, Miguel Olivares-Mendez

机构 * SnT - Interdisciplinary Centre for Security, Reliability and Trust（安全、可靠与信任跨学科中心） ； University of Luxembourg（卢森堡大学） 纠错

AI总结 针对航天器对接中基于终止的约束强化学习在终端导航任务中因目标靠近约束激活区域导致任务完成率低的问题，提出通过辅助价值评论家添加密集成功信号的方法，提高任务完成率并保持安全合规性。

Comments Accepted at CoRL 2026 Conference (https://www.corl.org/)

How to Learn from What a Human Would Avoid? Intervention-Aware World Models with Real-World RL for Dexterous Manipulation

如何从人类会避免的行为中学习？用于灵巧操作的真实世界强化学习中的干预感知世界模型

Jiaju Yin, Zhenhui Zhang, Lixin Xu, Heng Zhang, Jun Shao, Yating Feng, Arash Ajoudani, Renjing Xu

机构 * HKUST (Guangzhou)（香港科技大学（广州）） ； Italian Institute of Technology（意大利理工学院） ； Zhejiang University（浙江大学） 纠错

AI总结 针对真实世界灵巧操作中硬件故障代价高昂的问题，提出干预感知世界模型WHIRL，将人类干预转化为预测信号，通过风险塑形使16自由度LEAP手在复杂抓取任务中达到96.7%成功率，并减少84%干预负担。

Comments 15 pages, 8 figures, 3 tables. Accepted by CoRL 2026. Project page: https://whirl-dexterous.github.io/

HiPHI: A Large-Scale Benchmark for High-Precision Human Motion and Object-Interaction

HiPHI：面向高精度人体运动与物体交互的大规模基准测试集

Jiahao Ji, Ji Ma, Runhan Zhang, Runyi Yu, Wenjia Wang, Weiheng Chi, Qianqian Peng, Weichao Yan, Yongfei Gu, Ye Tian, Ting Wu, Longwei Li, Chun Yuan, Ruoli Dai, Lei Han

机构 * National University of Singapore（新加坡国立大学） ； The University of Hong Kong（香港大学） ； SIGS, Tsinghua University（清华大学深圳国际研究生院） ； The Hong Kong University of Science and Technology（香港科技大学） ； Noitom Robotics（诺亦腾机器人公司） 纠错

AI总结 该研究针对现有具身数据集的局限，提出基于FrameNet的600+小时高保真人体运动与物体交互基准HiPHI，配套评估套件，为类人策略学习及计算机图形学运动先验模型提供数据基础。

Comments Accepted at CoRL 2026. Project page: https://noitom-robotics.github.io/hiphi/

Jetson-PI: Towards Onboard Real-Time Robot Control via Foresight-Aligned Asynchronous Inference

Jetson-PI：通过前瞻对齐异步推理实现机载实时机器人控制

Zebin Yang, Qi Wang, Yunhe Wang, Xiurui Guo, Bo Yu, Shaoshan Liu, Jiafeng Xu, Hao Dong, Meng Li

机构 * Peking University（北京大学） ； AIRS（无合适中文名，保留英文） ； PrimeBot Research Institute（PrimeBot 研究院） 纠错

AI总结 研究针对低功耗机载设备部署VLA模型的挑战，提出Jetson-PI方法。通过训练轻量级未来校正模块解决感知-执行未对齐，引入基于置信度的调度优化减少反应时间，辅以系统级加速，实验显示其显著提升控制频率和成功率。

Comments CoRL 2026

Artificial Foveated Perception for Mitigating Shortcut Learning in Robotic Foundation Models

用于减轻机器人基础模型中捷径学习的人工中央凹感知

Xiatao Sun, Yuan Zhuang, Mateo Sanchez Lopez Negrete, Matei-Victor Coldea, Chen Liang, Haoyang Zhang, Che Liu, Ziyao Zeng, Shawn Li, Qian Wang, Fei Miao, Daniel Rakita

机构 * Yale University（耶鲁大学） ； University of Connecticut（康涅狄格大学） ； Peking University（北京大学） ； Imperial College London（帝国理工学院） ； Digients 纠错

AI总结 研究机器人基础模型因捷径学习难以稳健部署的问题，提出人工中央凹感知模块AFP，通过预测任务条件掩码辅助微调，使策略关注任务相关区域，实验证明其能减少微调时间、抑制过拟合并提升泛化能力。

Comments Accepted to CoRL 2026

TAM: Torque Adaptation Module for Robust Motion Transfer in Manipulation

TAM: 用于鲁棒操作运动传递的扭矩自适应模块

Dongwon Son, Florian Shkurti, Jason Lee, Naman Shah, Beomjoon Kim, Dieter Fox

机构 * KAIST（韩国科学技术院） ； Allen Institute for AI（人工智能研究院） ； University of Toronto（多伦多大学） ； University of Washington（华盛顿大学） 纠错

AI总结 提出扭矩自适应模块（TAM），通过历史编码器和扭矩适配器修正扭矩指令，实现不同机器人或负载间的运动传递，无需领域随机化或重新收集数据。

Comments Accepted at CoRL 2026. Project website: https://dongwon-son.github.io/tam-project-page/

ControlTac: Scaling Tactile Data with Physically Controlled Tactile Image Generation

ControlTac：通过物理控制的触觉图像生成扩展触觉数据

Dongyu Luo, Kelin Yu, Amir-Hossein Shahidzadeh, Cornelia Fermüller, Yiannis Aloimonos, Ruohan Gao

机构 * University of Maryland, College Park（马里兰大学学院 Park） 纠错

AI总结 针对触觉数据采集成本高的问题，提出ControlTac两阶段可控生成框架，以物理先验为条件生成真实触觉图像，在多个下游任务中提升性能。

Comments Accepted by CoRL 2026

MPCoT: Reward-Guided Multi-Path Latent Reasoning for Test-Time Scalable Vision-Language-Action

MPCoT: 奖励引导的多路径潜在推理用于测试时可扩展的视觉-语言-动作

Boyang Zhang, Lianlei Shan

机构 * Department of Electrical and Computer Engineering, Boston University（波士顿大学电气与计算机工程系） ； Department of Computer Science, Tsinghua University（清华大学计算机系） 纠错

AI总结 提出MPCoT框架，通过奖励引导的多路径潜在推理，在保持零推理令牌和原始动作接口的同时，提升长时域和高不确定性控制任务中的VLA策略性能。

Comments 14 pages, 5 figures, submitted to CoRL

Enhancing Visual Domain Robustness in Behaviour Cloning via Saliency-Guided Augmentation

通过显著性引导增强提升行为克隆中的视觉域鲁棒性

Zheyu Zhuang, Ruiyu Wang, Nils Ingelhag, Ville Kyrki, Danica Kragic

机构 * KTH Royal Institute of Technology（皇家理工学院） ； Aalto University（阿尔托大学） 纠错

AI总结 该研究针对行为克隆中常规增强方法应对视觉域偏移效果差的问题，提出RoboSaGA显著性引导增强方法，提升了模型的视觉域鲁棒性且保留了域内性能。

Comments Accepted at the Conference on Robot Learning (CoRL) 2024

Journal ref CoRL 2024

Milo, a Fully Autonomous Indoor/Outdoor Robotic Guide Dog

米洛，一款完全自主的室内/室外机器人导盲犬

Florian Golemo, Joanna Wolski, Joel Ruben Antony Moniz, Christopher Pal

机构 * Mila - Quebec AI Institute（米拉-魁北克人工智能研究所） ； Polytechnique Montreal（蒙特利尔理工大学） 纠错

AI总结 研究旨在开发机器人导盲犬平台，核心方法是构建含改装机器人、感知与导航堆栈的系统，主要贡献是实现完全自主、室内外可用的米洛平台，开源软硬件，且导航表现优于基线。

Comments Submitted to CoRL 2026. The Milo project website is available here: https://fgolemo.github.io/milo

SLAC: Safe and Efficient Real-Robot Reinforcement Learning via Unsupervised Simulation Pre-Training

SLAC：通过无监督模拟预训练实现安全高效的真实机器人强化学习

Jiaheng Hu, Peter Stone, Roberto Martín-Martín

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Sony AI（索尼人工智能） ； Amazon Robotics（亚马逊机器人技术） 纠错

AI总结 研究旨在解决高自由度机器人强化学习难题，提出SLAC方法，利用低保真模拟器预训练潜在动作空间，通过定制无监督方法训练并用于新型离策略算法，在双手移动操纵任务中达领先性能，高效学习复杂任务。

Comments Preliminary version at CoRL 2025

Think When It Matters: Conditional VLM Reasoning for Social Navigation with RL Policies

在重要时刻思考：用于社交导航的基于RL策略的条件VLM推理

Ali Ahmadi, Hamed Rahimi, Adrien Jacquet Cretides, Marie Samson, Mahdi Khoramshahi, Mohamed Chetouani

机构 * Institut des Systèmes Intelligents et de Robotique (ISIR)（智能系统与机器人研究所） 纠错

AI总结 研究社交机器人导航中强化学习策略缺乏语义推理能力的问题，提出HUMA混合架构，动态平衡RL策略与VLM的优势。在基准测试中任务成功率提高，减少碰撞，消融研究验证组件，实际部署证明方法可行。

Comments CoRL 2026 submission. 15 pages, 7 figures

Qantara: Bridge-Flow Training for Multi-Paradigm JEPA Control

Qantara：用于多范式联合嵌入预测架构控制的桥流训练

Ruslan Rakhimov, George Bredis, Yuriy Maksyuta, Daniil Gavrilov

机构 * T-Tech 纠错

AI总结 研究针对联合嵌入预测架构（JEPAs）单一推理范式问题，提出Qantara，通过端到端联合训练目标，同一检查点服务三种推理范式，提升控制性能，推动JEPAs从单范式规划器向多范式控制器转变。

Comments 16 pages, 3 figures, 6 tables. Project page: https://corl-team.github.io/qantara

Path Planning in Physically Viable World Models

物理可行世界模型中的路径规划

Su Ann Low, Cheng-Hsi Hsiao, Xingjian Li, Adam J. Thorpe, Ufuk Topcu, Krishna Kumar

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出物理可行世界模型，通过物理仿真生成修改后的场景，使机器人能在部署前评估未来地形变化对路径可行性的影响。

Comments 18 pages, 7 figures, submitted to CORL

TactX: Learning Shared Tactile Representations Across Diverse Sensors

TactX: 跨不同传感器的共享触觉表示学习

Junsung Park, Sachin Bhadang, Carmelo Sferrazza, Sha Yi, Xiaolong Wang

机构 * UC San Diego（加州大学圣地亚哥分校） ； Seoul National University（首尔大学） ； Amazon FAR（亚马逊FAR） 纠错

AI总结 提出TactX框架，通过配对接触数据训练模态特定编码器，将电阻、磁和视觉三种触觉传感器的观测映射到共享潜空间，实现零样本策略迁移，平均成功率从27.5%提升至45.9%。

Comments Submitted to CoRL 2026. 16 pages, 8 figures

G$^3$VLA: Geometric inductive bias for Vision-Language-Action Models

G$^3$VLA：视觉-语言-动作模型的几何归纳偏置

Yue Peng, Yongzhe Zhao, Artur Habuda, Khuyen Pham, Yanheng Zhu, Tran Nguyen Le, Fares Abu-Dakka, Li Guo

机构 * New York University Shanghai（上海纽约大学） ； Technical University of Denmark（丹麦技术大学） ； MBZUAI - Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； New York University Abu Dhabi（纽约大学阿布扎比分校） 纠错

AI总结 提出G$^3$VLA模块，通过射线嵌入、投影位置编码和跨视图融合为VLA模型注入相机几何先验，无需深度传感器，在多个基准和真实机器人上提升空间敏感任务性能。

Comments Submitted to CoRL 2026