ICRA

Temporal Logic Guidance for Action-Only Diffusion Policies with World Models

基于时序逻辑的动作扩散策略与世界模型引导

Moritz Zoellner, Anastasios Manganaris, Rohan Paleja

机构 * German Academic Exchange Service (DAAD)（德国学术交流中心（DAAD）） 纠错

AI总结 提出一种利用世界模型实现时序逻辑鲁棒性可微评估的引导方法，在不重新训练的情况下改善动作扩散策略的约束满足，在Robomimic任务中将违规率从80%降至4%。

Comments Accepted at the ICRA 2026 Workshop on Bridging the Gap between Robot Learning and Human-Robot Interaction. 3 pages, 2 figures, 1 table

Technical Report for ICRA 2026 GOOSE 2D Fine-Grained Semantic Segmentation Challenge: Exploring Query-Based Segmentation and Increased Spatial Context for Outdoor Scene Understanding

ICRA 2026 GOOSE 2D细粒度语义分割挑战赛技术报告：探索基于查询的分割和增加空间上下文用于户外场景理解

David Pascual-Hernández, Roberto Calvo-Palomino, Inmaculada Mora-Jiménez, Jose María Cañas-Plaza

机构 * Rey Juan Carlos University（胡安卡洛斯国王大学） 纠错

AI总结 本报告提出基于SegFormer和Mask2Former的细粒度语义分割方法，通过增大训练裁剪尺寸和测试时增强，在GOOSE挑战赛上达到69.6% mIoU，验证了查询式分割和空间上下文的重要性。

Comments Ranked 5th in the GOOSE 2D Fine-Grained Semantic Segmentation Challenge at the IEEE ICRA 2026 Workshop on Field Robotics

Overcoming Imperfect Kinematics in Surgical Robotics Through Sim-to-Real Visuomotor Learning

通过仿真到现实的视觉运动学习克服手术机器人中的不完美运动学

Zhaoxuan Yan, Kaizhong Deng, Zhaoyang Jacopo Hu, George P. Mylonas, Daniel S. Elson

机构 * Hamlyn Centre for Robotic Surgery, Institute of Global Health Innovation, Imperial College London（伦敦帝国理工学院全球健康创新研究所哈姆林机器人手术中心） ； Department of Surgery and Cancer, Imperial College London（伦敦帝国理工学院外科与癌症系） ； Department of Mechanical Engineering, Imperial College London（伦敦帝国理工学院机械工程系） 纠错

AI总结 提出基于教师-学生框架的视觉运动学习策略，融合不可靠内部读数与精确外部视觉数据，实时补偿运动学误差，在达芬奇研究套件上验证可行性。

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

Real-World Deployment of Massively Parallel Sampling-Based MPC for Contact-Rich Manipulation

大规模并行采样MPC在接触丰富操作中的实际部署

Magnus Dierking, Joao Carvalho, An Thai Le, Georgia Chalvatzaki, Jan Peters

机构 * Intelligent Autonomous Systems Lab, TU Darmstadt（达姆施塔特工业大学智能自主系统实验室） ； Interactive Robot Perception & Learning Lab, TU Darmstadt（达姆施塔特工业大学交互式机器人感知与学习实验室） ； German Research Center for AI (DFKI)（德国人工智能研究中心） ； Robotics Institute Germany (RIG)（德国机器人研究所） ； College of Engineering and Computer Science, VinUniversity（VinUniversity工程与计算机科学学院） 纠错

AI总结 提出基于JAX和MuJoCo MJX的采样MPC框架，在Franka机器人上实现Push-T任务，MTP变体优于CEM等基线，并评估在线域随机化效果。

Comments Presented at ICRA Workshop on Frontiers of Optimization for Robotics, 2nd Edition (OpenReview, 2026) OpenReview: https://openreview.net/forum?id=0KFJunxC8I&noteId=go6pmKSpzr

MAGNIFIED: RL Fine-tuning of Multimodal Large Language Models for Motion Planning

MAGNIFIED: 多模态大语言模型的强化学习微调用于运动规划

Letian Chen, Yiren Lu, Justin Fu, Yichen Xie, Runsheng Xu, Jyh-Jing Hwang, Ben Sapp, Drago Anguelov

机构 * Waymo LLC（Waymo有限责任公司） 纠错

AI总结 提出MAGNIFIED方法，通过强化学习微调多模态大语言模型，利用令牌级奖励优化规划目标，在Waymo数据集上显著降低重叠率和偏离道路率。

Journal ref ICRA 2026

CBF-RL: Safety Filtering Reinforcement Learning in Training with Control Barrier Functions

CBF-RL: 基于控制屏障函数的安全过滤强化学习

Lizhi Yang, Blake Werner, Massimiliano de Sa, Aaron D. Ames

机构 * Caltech MCE（加州理工学院机械工程系） 纠错

AI总结 本文提出CBF-RL框架，通过在训练过程中强制控制屏障函数以生成安全行为，使强化学习策略内在化安全约束，实现无需在线安全过滤的鲁棒安全部署。

Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026). Copyright transferred to IEEE. Sample code for the navigation example with CBF-RL reward core construction can be found at https://github.com/lzyang2000/cbf-rl-navigation-demo

UMI-on-Air: Embodiment-Aware Guidance for Embodiment-Agnostic Visuomotor Policies

UMI-on-Air：面向无躯体感知的具身化视觉-运动策略的具身感知引导

Harsh Gupta, Xiaofeng Guo, Huy Ha, Chuer Pan, Muqing Cao, Dongjae Lee, Sebastian Scherer, Shuran Song, Guanya Shi

机构 * Carnegie Mellon University（卡内基梅隆大学） ； Stanford University（斯坦福大学） 纠错

AI总结 本文提出UMI-on-Air框架，通过手握夹具收集的多样化无约束人类示范训练通用视觉-运动策略，结合高阶UMI策略与低阶具身特定控制器，在推理时实现具身感知的轨迹自适应，提升在复杂环境中的执行效率与鲁棒性。

Comments Result videos can be found at umi-on-air.github.io

Journal ref 2026 IEEE International Conference on Robotics and Automation (ICRA)

GAPartManip: A Large-scale Part-centric Dataset for Material-Agnostic Articulated Object Manipulation

GAPartManip：面向材料无关铰接物体操作的大规模部件中心数据集

Wenbo Cui, Chengyang Zhao, Songlin Wei, Jiazhao Zhang, Haoran Geng, Yaran Chen, Haoran Li, He Wang

机构 * Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； CFCS, School of Computer Science, Peking University（北京大学计算机科学系） ； Carnegie Mellon University（卡内基梅隆大学） ； University of California, Berkeley（加州大学伯克利分校） ； Xi’an Jiaotong-Liverpool University（西安交通大学利物浦大学） ； Galbot 纠错

AI总结 提出大规模部件中心数据集GAPartManip，结合照片级材质随机化和部件级交互姿态标注，通过模块化框架提升深度估计与交互姿态预测，在仿真和真实场景中实现鲁棒的铰接物体操作。

Comments Accepted by ICRA 2025. Project page: https://pku-epic.github.io/GAPartManip/