ICRA

Design, Mapping, and Contact Anticipation with 3D-printed Whole-Body Tactile and Proximity Sensors

设计、映射与接触预测的3D打印全身触觉与接近传感器

Carson Kohlbrenner, Anna Soukhovei, Caleb Escobedo, Nataliya Nechyporenko, Alessandro Roncone

机构 * Human Interaction and RObotics [HIRO] Group（人机交互与机器人 [HIRO] 团队） 纠错

AI总结 本文提出GenTact-Prox，一种3D打印的人工皮肤，集成了触觉和接近传感以实现接触检测与预测。该平台模块化设计，可适配任意机器人形态，覆盖整个机器人身体，检测范围达18厘米。通过数据驱动框架映射Perisensory Space，实现接触预测。

Comments This work was accepted at the International Conference on Robotics and Automation (ICRA) 2026

ProbeMDE: Uncertainty-Guided Active Proprioception for Monocular Depth Estimation in Surgical Robotics

ProbeMDE: 用于手术机器人单目深度估计的不确定性引导主动触觉

Britton Jordan, Jordan Thompson, Jesse F. d'Almeida, Hao Li, Nithesh Kumar, Susheela Sharma Stern, James Ferguson, Ipek Oguz, Robert J. Webster, Daniel Brown, Alan Kuntz

机构 * The Robotics Center and the Kahlert School of Computing at the University of Utah（犹他大学机器人中心和Kahlert计算学院） 纠错

AI总结 本文提出ProbeMDE，结合RGB图像与稀疏本体感知测量，通过不确定性引导主动触觉提升手术场景中单目深度估计的准确性与鲁棒性。

Comments 8 pages, 5 figures. Accepted at ICRA 2026. Project page: https://brittonjordan.github.io/probe_mde/

PhotoAgent: A Robotic Photographer with Spatial and Aesthetic Understanding

PhotoAgent：一种具有空间与审美理解的机器人摄影师

Lirong Che, Zhenfeng Gan, Yanbo Chen, Junbo Tan, Xueqian Wang

机构 * Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（人工智能与机器人中心，深圳国际研究生院，清华大学） 纠错

AI总结 PhotoAgent通过整合大多模态模型与新型控制范式，将主观审美目标转化为几何约束，利用内部视觉模拟实现快速收敛于高质量图像结果。

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

GIFT: Generalizing Intent for Flexible Test-Time Rewards

GIFT：基于意图的灵活测试时间奖励

Fin Amin, Nathaniel Dennler, Andreea Bobu

机构 * NC State（北卡罗来纳州立大学） ； MIT CSAIL（麻省理工学院计算机科学与人工智能实验室） 纠错

AI总结 GIFT通过语言模型推断用户演示中的高层意图，以提升奖励在新环境下的泛化能力，优于基于视觉和语义相似性的基线方法。

Comments To appear at IEEE ICRA '26

Background Fades, Foreground Leads: Curriculum-Guided Background Pruning for Efficient Foreground-Centric Collaborative Perception

背景褪色，前景引领：基于课程学习的背景剪枝用于高效前景导向的协同感知

Yuheng Wu, Xiangbo Gao, Quang Tau, Zhengzhong Tu, Dongman Lee

机构 * KAIST（韩国科学技术院） ； Texas A&M University（德克萨斯A&M大学） 纠错

AI总结 本文提出FadeLead框架，通过课程学习策略在训练中学习将背景上下文压缩为紧凑的前景特征，提升协同感知的效率和效果。

Comments ICRA 2026