ICRA

In-the-Wild Compliant Manipulation with UMI-FT

现实环境中具有合规性的操控与UMI-FT

Hojung Choi, Yifan Hou, Chuer Pan, Seongheon Hong, Austin Patel, Xiaomeng Xu, Mark R. Cutkosky, Shuran Song

机构 * Department of Electrical Engineering, Stanford University（电气工程系，斯坦福大学） ； Department of Mechanical Engineering, Stanford University（机械工程系，斯坦福大学） 纠错

AI总结 UMI-FT通过紧凑的六轴力/扭矩传感器和多模态数据训练自适应合规策略，在现实环境中实现可靠力控制和抓取性能。

Comments submitted to ICRA 2026

Learning Quadrotor Control From Visual Features Using Differentiable Simulation

通过可微模拟学习四旋翼控制的视觉特征

Johannes Heeg, Yunlong Song, Davide Scaramuzza

机构 * Robotics and Perception Group, Department of Informatics, University of Zurich（机器人感知组，信息学院，苏黎世大学） 纠错

AI总结 本研究通过可微模拟方法高效学习四旋翼控制，显著提升样本效率和训练速度，实现快速恢复四旋翼性能。

Comments Accepted for presentation at the IEEE International Conference on Robotics and Automation (ICRA) 2025