ICRA

HITL-D: Human In The Loop Diffusion Assisted Shared Control

HITL-D: 有人参与的扩散辅助共享控制

Riley Zilka, Sergey Khlynovskiy, Allie Wang, Martin Jagersand

机构 * Department of Computing Science, University of Alberta（阿尔伯塔大学计算机科学系） 纠错

AI总结 本文提出HITL-D框架，通过结合扩散策略和人类控制，提升多步骤、插入和精细操作任务的用户表现，减少 joystick 控制轴数量，降低认知负荷，并在多任务用户研究中显著提高任务完成速度和用户满意度。

Comments Accepted for presentation at ICRA 2026

roto 2.0: The Robot Tactile Olympiad

roto 2.0：机器人触觉奥林匹克

Elle Miller, Jayaram Reddy, Ayush Deshmukh, Trevor McInroe, David Abel, Oisin Mac Aodha, Sethu Vijayakumar

机构 * University of Edinburgh（爱丁堡大学） 纠错

AI总结 本文提出roto 2.0，一个基于触觉的强化学习基准，旨在通过四种不同的机器人形态（16-DOF到24-DOF）标准化触觉强化学习，专注于端到端的'盲'操作，仅使用本体感觉和触觉传感，不使用状态信息或蒸馏。研究展示了显著的性能提升，盲控代理在10秒内完成13次保定球旋转，比当前最先进的速度快了一个数量级。通过开源环境和经过充分调优的基线，降低了进入门槛，使研究人员能够优先考虑基本算法挑战而非繁琐的强化学习调优。

Comments Accepted to 7th ViTac Workshop, ICRA 2026

From swept contact to pose: Probe-aware registration via complementary-shape docking

从扫掠接触到姿态：通过互补形状对接实现探针感知的注册

Chen Chen, Yunwen Li, Yifan Xu, Xiangjie Yan, Chang Shu, Jianxia Hou, Shiji Song, Xiang Li

机构 * Department of Automation, Tsinghua University（清华大学自动化系） ； Tsingscribe Medical Ltd.（Tsingscribe医疗有限公司） ； D-MAVT, ETH Zürich（苏黎世联邦理工学院D-MAVT） ； Peking University School and Hospital of Stomatology（北京大学口腔医学院及口腔医院） ； Institute for Guo Qiang, Tsinghua University（清华大学国强研究院） 纠错

AI总结 本研究提出了一种无需校准的注册方法，通过将接触注册重新表述为物体与探针扫掠体积之间的互补形状对接，显式考虑探针几何形状，并利用接触和非接触证据。该方法通过3D FFT相关性进行全局到局部搜索，然后使用李代数更新和解析接触灵敏度进行连续SE(3)细化，实现了高效的探索和指标级收敛。

Comments 8 pages, 9 figures, accepted to ICRA 2026

Learning Structural Latent Points for Efficient Visual Representations in Robotic Manipulation

为机器人操作中的高效视觉表征学习结构潜在点

Yicheng Jiang, Jiaxu Wang, Junhao He, Zesen Gan, Junhao Li, Qiang Zhang, Jingkai Sun, Jiahang Cao, Mingyuan Sun, Xiangyu Yue, Qiming Shao

机构 * The Hong Kong University of Science and Technology（香港科技大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； MMLab, The Chinese University of Hong Kong（香港中文大学MMLab） ； X-Humanoid Robots（X-Humanoid机器人） ； The University of Hong Kong（香港大学） ； Tsinghua University（清华大学） 纠错

AI总结 本文提出了一种新的预训练框架，通过学习混合表示-结构潜在点，结合隐式表示的表达能力和显式表示的结构先验，以提高机器人操作中的视觉表征效率和鲁棒性。

Journal ref International Conference on Robotics and Automation 2026

To Select or not to Select, that is the Question: Distilling Robot Skill Prediction into a Small Ensemble

选择还是不选择，这是个问题：将机器人技能预测蒸馏成一个小集成

Haechan Mark Bong, Simon Roy, Euhid Aman, Giovanni Beltrame

机构 * Department of Computer Engineering and Software Engineering, Polytechnique Montréal（蒙特利尔理工学院计算机工程与软件工程系） ； MILA（蒙特利尔人工智能研究所） ； National Taiwan University of Science and Technology (NTUST)（台湾科技大学） 纠错

AI总结 本文研究了机器人技能预测问题，通过合成数据集和微调句子编码器，提出了一种小规模专用模型，在零样本提示下优于大型通用LLM，在机器人队伍任务路由中表现更佳。

Journal ref ICRA 2026 Workshop on Synthetic Data for Robot Learning

TERDNet: Transformer Encoder-Recurrent Decoder Network for Scene Change Detection

TERDNet: 用于场景变化检测的Transformer编码器-递归解码器网络

Jiae Yoon, Ue-Hwan Kim

机构 * Department of AI Convergence, Gwangju Institute of Science and Technology (GIST)（人工智能融合系，全州科学技术院（GIST）） 纠错

AI总结 本文提出TERDNet，一种用于场景变化检测的Transformer编码器-递归解码器网络，通过多级特征提取、特征融合模块、递归解码器和上采样模块，提升了场景变化检测的精度和鲁棒性。

Comments 8 pages, 4 figures. Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2026

A Semantic and Occlusion-Aware GM-PHD Filter

一种语义和遮挡感知的GM-PHD滤波器

Jovan Menezes, Mark Campbell

机构 * Sibley School of Mechanical and Aerospace Engineering, Cornell University（康奈尔大学机械与航空航天工程系） 纠错

AI总结 本文提出了一种包含从深度学习中提取的语义信息的新出生模型，以创建一种遮挡感知的高斯混合概率假说密度（GM-PHD）滤波器。与以往依赖简单或统一假设的方法不同，所提出的语义-遮挡感知（S-OA）出生模型通过显式考虑遮挡区域并利用环境的语义信息来定义初始化项。这使滤波器能够准确表示新物体更可能出现的位置，从而在复杂和高密度的驾驶场景中提高跟踪性能。该方法通过蒙特卡洛模拟和KITTI数据集的实验进行评估。性能通过测量首次检测与跟踪初始化之间的延迟、平均绝对数量误差以及最优子模式分配（OSPA）度量来评估。结果表明，S-OA出生模型在遮挡密集的环境中减少了初始化延迟，在约70%的情况下匹配或优于最强基线。还提供了出生模型权重的敏感性分析。总体而言，研究结果强调了在自动驾驶中将遮挡推理和语义先验整合到贝叶斯跟踪框架中的优势。

Comments Accepted at ICRA 2026

Depth Completion in Unseen Field Robotics Environments Using Extremely Sparse Depth Measurements

在未见过的田间机器人环境中使用极稀疏深度测量进行深度补全

Marco Job, Thomas Stastny, Eleni Kelasidi, Roland Siegwart, Michael Pantic

机构 * Autonomous Systems Lab, ETH Zürich（瑞士苏黎世联邦理工学院自主系统实验室） ； Field Robotics Lab, NTNU（挪威特罗姆瑟大学场 robotics 实验室） 纠错

AI总结 本研究提出了一种深度补全模型，通过合成数据训练和极稀疏的深度传感器测量，在未见过的田间机器人环境中预测密集的度量深度，解决了低成本相机在田间机器人中应用受限的问题。

Comments Accepted to ICRA 2026

Enhancing Graph-Based SLAM in GNSS-Denied environments by leveraging leg odometry

通过利用腿部里程计增强基于图的SLAM在GNSS受限环境中的性能

Léon Perruchot-Triboulet, Luc Jaulin, Kai Xiao

机构 * LinxAI Tech（LinxAI科技） 纠错

AI总结 本文提出了一种基于因子图的架构，通过结合本体感觉腿部里程计和激光雷达-惯性里程计，有效减少了GNSS受限环境中视觉漂移，提高了SLAM的鲁棒性。

Comments 4 pages, 3 figures, 2 tables, for ICRA workshop on Robot Meets GNSS and Ranging for Seamless Autonomy