ICRA

ManeuverNet: A Soft Actor-Critic Framework for Precise Maneuvering of Double-Ackermann-Steering Robots with Optimized Reward Functions

ManeuverNet: 一种用于双Ackermann转向机器人精确 maneuvering 的软演员-评论框架与优化奖励函数

Kohio Deflesselle, Mélodie Daniel, Aly Magassouba, Miguel Aranda, Olivier Ly

机构 * Univ. Bordeaux, CNRS, Bordeaux INP, LaBRI, UMR 5800（波尔多大学、国家科学研究中心、波尔多国立理工学院、LaBRI、UMR 5800） ； School of Computer Science, University of Nottingham, UK（nottingham大学计算机科学学院） ； Instituto de Investigación en Ingeniería de Aragón (I3A), Universidad de Zaragoza（阿拉贡工程研究所（I3A）、萨拉戈萨大学） 纠错

AI总结 ManeuverNet通过结合Soft Actor-Critic与CrossQ，提出了一种针对双Ackermann系统的DRL框架，利用优化奖励函数提升机器人精确 maneuvering 的性能和鲁棒性。

Comments 8 pages, 5, figures, Accepted for 2026 IEEE International Conference on Robotics & Automation (ICRA)

C^2ROPE: Causal Continuous Rotary Positional Encoding for 3D Large Multimodal-Models Reasoning

C^2ROPE: 3D 大多模态模型推理中的因果连续旋转位置编码

Guanting Ye, Qiyan Zhao, Wenhao Yu, Xiaofeng Zhang, Jianmin Ji, Yanyong Zhang, Ka-Veng Yuen

机构 * State Key Laboratory of Internet of Things for Smart City, University of Macau（物联网智能城市国家重点实验室，澳门大学） ； Department of Automation, Shanghai Jiaotong University（上海交通大学自动化系） ； Institute of Advanced Technology, University of Science and Technology of China（中国科学技术大学先进技术研究院） ； School of Computer Science and Technology, USTC（中国科学技术大学计算机科学与技术学院） ； School of Artificial Intelligence and Data Science, USTC（中国科学技术大学人工智能与数据科学学院） 纠错

AI总结 C^2ROPE通过引入空间-时间连续位置编码和切比雪夫因果掩码，解决3D多模态模型中视觉特征连续性和因果关系建模问题。

Comments Accepted in ICRA 2026

Curriculum Multi-Task Self-Supervision Improves Lightweight Architectures for Onboard Satellite Hyperspectral Image Segmentation

课程多任务自监督学习提升轻量级架构用于车载卫星超光谱图像分割

Hugo Carlesso, Josiane Mothe, Radu Tudor Ionescu

机构 * Univ. Toulouse, IRIT, France（法国图卢兹大学IRIT研究所） ； CNRS, France（法国国家科学研究中心） ； CLLE, CNRS, France（法国国家科学研究中心CLLE） ； University of Bucharest, Romania（罗马尼亚布加勒斯特大学） 纠错

AI总结 课程多任务自监督学习提升轻量级架构用于车载卫星超光谱图像分割，通过统一设计解决空间与光谱推理，实现高效且紧凑的模型训练。

Comments Accepted at ICRA 2026

A Generalizable Physics-guided Causal Model for Trajectory Prediction in Autonomous Driving

一种通用的物理引导因果模型用于自动驾驶中的轨迹预测

Zhenyu Zong, Yuchen Wang, Haohong Lin, Lu Gan, Huajie Shao

AI总结 本文提出了一种通用的物理引导因果模型，通过解耦场景编码器和因果ODE解码器提升自动驾驶中的零样本轨迹预测能力。

Comments 8 pages, 4 figures, Accepted by IEEE ICRA 2026

Instance-Guided Unsupervised Domain Adaptation for Robotic Semantic Segmentation

实例引导的无监督领域适应用于机器人语义分割

Michele Antonazzi, Lorenzo Signorelli, Matteo Luperto, Nicola Basilico

机构 * Department of Computer Science, University of Milan（计算机科学系，米兰大学） 纠错

AI总结 本文提出了一种实例引导的无监督领域适应方法，通过生成多视图一致的伪标签并利用基础模型进行细化，提升机器人语义分割的适应性能。

Comments Accepted for publication at ICRA 2026

V2V-GoT: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models and Graph-of-Thoughts

V2V-GoT: 基于多模态大语言模型和思维图的车对车协同自动驾驶

Hsu-kuang Chiu, Ryo Hachiuma, Chien-Yi Wang, Yu-Chiang Frank Wang, Min-Hung Chen, Stephen F. Smith

机构 * NVIDIA ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出V2V-GoT框架，结合多模态大语言模型和图-思维方法，提升车对车协同自动驾驶的感知、预测和规划能力。

Comments Accepted by ICRA 2026 (IEEE International Conference on Robotics and Automation). Project: https://eddyhkchiu.github.io/v2vgot.github.io/ Code: https://github.com/eddyhkchiu/V2V-GoT Dataset: https://huggingface.co/datasets/eddyhkchiu/V2V-GoT-QA

V2V-LLM: Vehicle-to-Vehicle Cooperative Autonomous Driving with Multimodal Large Language Models

V2V-LLM：基于多模态大语言模型的车与车协同自动驾驶

Hsu-kuang Chiu, Ryo Hachiuma, Chien-Yi Wang, Stephen F. Smith, Yu-Chiang Frank Wang, Min-Hung Chen

机构 * NVIDIA ； Carnegie Mellon University（卡内基梅隆大学） 纠错

AI总结 本文提出基于多模态大语言模型的V2V-LLM，通过车与车协同感知提升自动驾驶安全性和性能。

Comments Accepted by ICRA 2026 (IEEE International Conference on Robotics and Automation). Project: https://eddyhkchiu.github.io/v2vllm.github.io/ Code: https://github.com/eddyhkchiu/V2V-LLM Dataset: https://huggingface.co/datasets/eddyhkchiu/V2V-GoT-QA

Model Predictive Control with Gaussian Processes for Flexible Multi-Modal Physical Human Robot Interaction

基于高斯过程的模型预测控制用于柔性多模态人机协作交互

Kevin Haninger, Christian Hegeler, Luka Peternel

AI总结 本文提出基于高斯过程的模型预测控制方法，用于多模态人机协作交互，通过贝叶斯推断和在线控制提升任务灵活性和效率。

Comments Submitted, ICRA 2022. Video: https://youtu.be/0GT1pPpXvt8 Data and code: https://owncloud.fraunhofer.de/index.php/s/kmCZvlKOghclHy9

Journal ref 2022 IEEE International Conference on Robotics and Automation (ICRA), May 2022

Nighttime Autonomous Driving Scene Reconstruction with Physically-Based Gaussian Splatting

夜间自动驾驶场景重建与基于物理的高斯点云

Tae-Kyeong Kim, Xingxin Chen, Guile Wu, Chengjie Huang, Dongfeng Bai, Bingbing Liu

机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） 纠错

AI总结 本文提出基于物理的高斯点云方法，提升自动驾驶夜间场景重建质量，实现实时渲染并优于现有方法。

Comments ICRA 2026

VividFace: Real-Time and Realistic Facial Expression Shadowing for Humanoid Robots

VividFace: 人形机器人实时逼真面部表情阴影生成

Peizhen Li, Longbing Cao, Xiao-Ming Wu, Yang Zhang

机构 * School of Computing, Macquarie University（麦考瑞大学计算机学院） ； College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院） ； Anuradha and Vikas Sinha Department of Data Science, University of North Texas（北卡罗来纳州立大学数据科学系） 纠错

AI总结 VividFace通过优化的模仿框架和实时推理管道，实现人形机器人逼真面部表情阴影生成，提升人机交互的真实感和实用性。

Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA)

Integrated Exploration and Sequential Manipulation on Scene Graph with LLM-based Situated Replanning

基于场景图的LLM定位再规划集成探索与顺序操作

Heqing Yang, Ziyuan Jiao, Shu Wang, Yida Niu, Si Liu, Hangxin Liu

机构 * Beihang University（北航大学） ； State Key Laboratory of General Artificial Intelligence（一般人工智能国家重点实验室） ； University of California, Los Angeles（加州大学洛杉矶分校） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） 纠错

AI总结 EPoG通过结合基于图的全局规划器与LLM的定位局部规划器，实现探索与顺序操作规划的无缝结合，有效提升机器人在部分已知环境中的任务执行效率。

Comments 8 pages, 7 figures; accepted by ICRA 2026