ICRA

Conformal Koopman for Embedded Nonlinear Control with Statistical Robustness: Theory and Real-World Validation

共形Koopman用于嵌入非线性控制的统计鲁棒性：理论与现实验证

Koki Hirano, Hiroyasu Tsukamoto

机构 * Department of Aerospace Engineering, The Grainger College of Engineering, University of Illinois Urbana-Champaign（航空航天工程系，格拉inger工程学院，伊利诺伊大学厄巴纳-香槟分校） 纠错

AI总结 本文提出一种基于Koopman的全数据驱动框架，用于具有线性嵌入的离散时间非线性系统的统计鲁棒控制，通过共形预测提供分布无关的概率界限，确保安全性和鲁棒性。

Comments 8 pages, 6 figures. Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA). The final published version will be available via IEEE Xplore

EZ-SP: Fast and Lightweight Superpoint-Based 3D Segmentation

EZ-SP：快速且轻量的基于超点的3D分割

Louis Geist, Loic Landrieu, Damien Robert

机构 * LIGM, ENPC, IP Paris, Univ Gustave Eiffel, CNRS（LIGM，ENPC，IP巴黎，巴黎理工大学，CNRS） ； DM3L, University of Zurich（DM3L，苏黎世大学） 纠错

AI总结 本文提出了一种高效的基于超点的3D语义分割方法，通过全GPU分区算法实现13倍更快的处理速度，结合轻量级分类器，达到2MB显存占用，支持实时推理，并在三个领域验证了其准确性。

Comments Accepted at ICRA 2026. Camera-ready version with Appendix

GAPG: Geometry Aware Push-Grasping Synergy for Goal-Oriented Manipulation in Clutter

GAPG：面向目标操作的几何感知推抓取协同

Lijingze Xiao, Jinhong Du, Yang Cong, Supeng Diao, Yu Ren

机构 * College of Automation Science and Engineering, South China University of Technology（华南理工大学自动化科学与工程学院） 纠错

AI总结 本文提出GAPG框架，通过整合点云数据，利用几何关系评估抓取与推动作，提升机器人在杂乱环境中的安全性和效率。

Comments Accepted to ICRA 2026

Anatomical Prior-Driven Framework for Autonomous Robotic Cardiac Ultrasound Standard View Acquisition

基于解剖先验的自主机器人心脏超声标准视图采集框架

Zhiyan Cao, Zhengxi Wu, Yiwei Wang, Pei-Hsuan Lin, Li Zhang, Zhen Xie, Huan Zhao, Han Ding

机构 * State Key Laboratory of Intelligent Manufacturing Equipment and Technology, Huazhong University of Science and Technology（华中科技大学智能制造装备与技术国家重点实验室） ； School of Biomedical Engineering, Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）生物医学工程学院） ； Information Intelligence Lab, Department of Electrical Engineering, National Chung Hsing University（中原大学电子工程系信息智能实验室） ； Institute of Medical Equipment Science and Engineering, Huazhong University of Science and Technology（华中科技大学医学装备科学与工程研究院） ； Department of Ultrasound Medicine, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology（华中科技大学同济医学院附属同济医院超声医学科） ； Institute of Systems Science (ISS), National University of Singapore (NUS)（新加坡国立大学系统科学研究所） 纠错

AI总结 本文提出结合心脏结构分割与自主探头调整的框架，通过解剖先验引导提升超声标准视图采集的自动化水平，实验表明其在分割精度和探头调整成功率上均有显著提升。

Comments Accepted for publication at the IEEE ICRA 2026. 8 pages, 5 figures, 3 tables

Implementing Robust M-Estimators with Certifiable Factor Graph Optimization

通过可验证因子图优化实现鲁棒M-估计量

Zhexin Xu, Hanna Jiamei Zhang, Helena Calatrava, Pau Closas, David M. Rosen

机构 * Institute for Experiential Robotics（体验机器人研究所） 纠错

AI总结 本文提出通过可验证因子图优化实现鲁棒M-估计量，利用快速局部优化在光滑流形上解决内嵌WLS子问题，提升估计质量并有效扩展到实际问题规模。

Comments The paper was accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)

Graph-of-Constraints Model Predictive Control for Reactive Multi-agent Task and Motion Planning

基于约束图的模型预测控制：用于反应性多智能体任务与运动规划

Anastasios Manganaris, Jeremy Lu, Ahmed H. Qureshi, Suresh Jagannathan

机构 * Department of Computer Science, Purdue University（计算机科学系，普渡大学） 纠错

AI总结 本文提出基于约束图的模型预测控制（GoC-MPC），用于解决多智能体任务与运动规划中的依赖几何约束序列问题，支持部分有序任务、动态智能体协调及扰动恢复，实现高效鲁棒的多智能体操作。

Comments 8 main content pages, 4 main content figures, camera ready version submitted to IEEE International Conference on Robotics and Automation (ICRA 2026)

Implicit Maximum Likelihood Estimation for Real-time Generative Model Predictive Control

隐式最大似然估计用于实时生成模型预测控制

Grayson Lee, Minh Bui, Shuzi Zhou, Yankai Li, Mo Chen, Ke Li

机构 * School of Computing Science, Simon Fraser University（计算科学系，西蒙弗雷泽大学） 纠错

AI总结 本文提出隐式最大似然估计（IMLE）作为生成模型的替代方法，实现快速推理和强模式覆盖，适用于实时MPC任务。

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

Reactive Slip Control in Multifingered Grasping: Hybrid Tactile Sensing and Internal-Force Optimization

多指抓取中的反应滑移控制：混合触觉感知与内部力优化

Théo Ayral, Saifeddine Aloui, Mathieu Grossard

机构 * Université Grenoble Alpes, CEA, Leti（格勒诺布尔大学、CEA、LETI） ； Université Paris-Saclay, CEA, List（巴黎-萨克雷大学、CEA、LIST） 纠错

AI总结 本文提出一种结合学习触觉滑移检测与模型内部力控制的混合方法，用于多指抓取的稳定控制，通过触觉反馈实现快速滑移检测与力优化，实验验证了在外部扰动下的抓取稳定性。

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

DYMO-Hair: Generalizable Volumetric Dynamics Modeling for Robot Hair Manipulation

DYMO-Hair: 通用的体积动力学建模用于机器人头发操控

Chengyang Zhao, Uksang Yoo, Arkadeep Narayan Chaudhury, Giljoo Nam, Jonathan Francis, Jeffrey Ichnowski, Jean Oh

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人学院） ； Epic Games, Inc.（Epic Games公司） ； Meta Codec Avatars Lab（Meta编码人像实验室） ； Bosch Center for Artificial Intelligence（博世人工智能中心） 纠错

AI总结 DYMO-Hair通过体积动力学建模和动作条件化潜在状态编辑机制，实现了对多样化发型的通用化机器人头发护理系统，实验表明其在未见过的发型上表现更优。

Comments To appear in ICRA 2026. Project page: https://dymohair.github.io/

AERO-MPPI: Anchor-Guided Ensemble Trajectory Optimization for Agile Mapless Drone Navigation

AERO-MPPI：基于锚点的轨迹优化用于无地图无人机敏捷导航

Xin Chen, Rui Huang, Longbin Tang, Lin Zhao

机构 * Department of Electrical and Computer Engineering, National University of Singapore（新加坡国立大学电子与计算机工程系） 纠错

AI总结 本文提出AERO-MPPI框架，通过GPU加速统一感知与规划，利用多分辨率LiDAR点云提取锚点，构建多项式轨迹引导，提升无人机在复杂环境中的敏捷导航能力。

Comments Accepted by ICRA 2026

Multi-Robot Learning-Informed Task Planning Under Uncertainty

多机器人学习引导的任务规划在不确定性下

Abhish Khanal, Abhishek Paudel, Hung Pham, Gregory J. Stein

机构 * Department of Computer Science, George Mason University（乔治·马歇尔大学计算机科学系） 纠错

AI总结 本文提出一种多机器人规划方法，结合学习估计不确定环境因素与基于模型的长期协调规划，以高效完成复杂任务。

Comments 8 pages, 8 figures. Accepted at ICRA 2026

Beyond Scalar Rewards: Distributional Reinforcement Learning with Preordered Objectives for Safe and Reliable Autonomous Driving

超越标量奖励：用于安全可靠自动驾驶的预序目标分布强化学习

Ahmed Abouelazm, Jonas Michel, Daniel Bogdoll, Philip Schörner, J. Marius Zöllner

机构 * FZI Research Center for Information Technology（弗劳恩霍夫研究所信息技术研究中心） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出预序多目标MDP框架，通过引入量化主导指标提升自动驾驶安全性和可靠性，实验表明其在Carla中表现出更优的性能和更稳健的策略。

Comments First and Second authors contributed equally; Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)

SPOT: Point Cloud Based Stereo Visual Place Recognition for Similar and Opposing Viewpoints

SPOT：基于点云的立体视觉位置识别用于相似和对立视角

Spencer Carmichael, Rahul Agrawal, Ram Vasudevan, Katherine A. Skinner

机构 * Department of Robotics, University of Michigan（机器人学系，密歇根大学） ； Department of Robotics and the Department of Mechanical Engineering, University of Michigan（机器人学系和机械工程系，密歇根大学） 纠错

AI总结 本文提出SPOT技术，利用立体视觉里程计估计的结构进行对立视角视觉位置识别，通过双距离矩阵序列匹配方法提升识别精度，实验表明在不同光照条件下，SPOT在对立视角识别中达到91.7%的召回率，且存储和运行效率优于现有方法。

Comments Expanded version with added appendix. Published in ICRA 2024. Project page: https://umautobots.github.io/spot