ICRA

STONE Dataset: A Scalable Multi-Modal Surround-View 3D Traversability Dataset for Off-Road Robot Navigation

STONE数据集：一个可扩展的多模态周围视图3D可通行性数据集用于越野机器人导航

Konyul Park, Daehun Kim, Jiyong Oh, Seunghoon Yu, Junseo Park, Jaehyun Park, Hongjae Shin, Hyungchan Cho, Jungho Kim, Jun Won Choi

机构 * Interdisciplinary Program in Artificial Intelligence, Seoul National University（人工智能交叉学科项目，首尔国立大学） ； Department of Electrical and Computer Engineering, Seoul National University（电气与计算机工程系，首尔国立大学） 纠错

AI总结 STONE数据集通过大规模多模态数据和自动标注流程，为越野机器人导航中的3D可通行性预测提供了可扩展的地面真实值和基准测试平台。

Comments ICRA 2026

GUIDES: Guidance Using Instructor-Distilled Embeddings for Pre-trained Robot Policy Enhancement

GUIDES: 利用教师蒸馏嵌入进行预训练机器人策略增强

Minquan Gao, Xinyi Li, Qing Yan, Xiaojian Sun, Xiaopan Zhang, Chien-Ming Huang, Jiachen Li

机构 * University of California, Riverside（加州大学河滨分校） ； Johns Hopkins University（约翰霍普金斯大学） 纠错

AI总结 GUIDES通过教师蒸馏嵌入提升预训练机器人策略，实现语义增强与高效升级

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

DriveCritic: Towards Context-Aware, Human-Aligned Evaluation for Autonomous Driving with Vision-Language Models

DriveCritic: 向基于情境的、与人类对齐的自动驾驶评估迈进：基于视觉-语言模型

Jingyu Song, Zhenxin Li, Shiyi Lan, Xinglong Sun, Nadine Chang, Maying Shen, Joshua Chen, Katherine A. Skinner, Jose M. Alvarez

机构 * University of Michigan（密歇根大学） ； NVIDIA（英伟达） ； Fudan University（复旦大学） 纠错

AI总结 DriveCritic通过结合视觉-语言模型和情境意识，提升自动驾驶系统评估的准确性与人类对齐性。

Comments Accepted at ICRA 2026; 8 pages, 3 figures

UniFField: A Generalizable Unified Neural Feature Field for Visual, Semantic, and Spatial Uncertainties in Any Scene

UniFField: 一种通用的统一神经特征场，用于任何场景中的视觉、语义和空间不确定性

Christian Maurer, Snehal Jauhri, Sophie Lueth, Georgia Chalvatzaki

机构 * TU Darmstadt（图宾根大学） ； Robotics Institute（机器人研究所） 纠错

AI总结 UniFField是一种通用的统一神经特征场，能够整合视觉、语义和几何特征，预测不确定性，适用于任何场景中的鲁棒决策。

Comments ICRA 2026 Project website: https://sites.google.com/view/uniffield

Efficient Construction of Implicit Surface Models From a Single Image for Motion Generation

从单张图像高效构建隐式表面模型用于运动生成

Wei-Teng Chu, Tianyi Zhang, Matthew Johnson-Roberson, Weiming Zhi

机构 * Department of Electrical Engineering, Stanford University, USA（美国斯坦福大学电气工程系） ； Aurora Innovation, USA（美国Aurora Innovation公司） ； School of Computer Science, The University of Sydney, Australia（澳大利亚悉尼大学计算机科学学院） ； Australian Centre for Robotics, The University of Sydney, Australia（澳大利亚悉尼大学机器人中心） ； College of Connected Computing, Vanderbilt University, USA（美国范德比尔特大学连接计算学院） 纠错

AI总结 本文提出FINS框架，通过单张图像高效重建高保真表面和SDF场，提升机器人运动生成的效率和精度。

Comments 9 pages, 6 figures, 2026 IEEE International Conference on Robotics and Automation (ICRA)