ICRA

Cognition-Inspired Dual-Stream Semantic Enhancement for Vision-Based Dynamic Emotion Modeling

启发认知的双流语义增强用于基于视觉的动态情绪建模

Huanzhen Wang, Ziheng Zhou, Zeng Tao, Aoxing Li, Yingkai Zhao, Yuxuan Lin, Yan Wang, Wenqiang Zhang

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（上海智能信息处理重点实验室，复旦大学计算机科学与人工智能学院） ； School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院） 纠错

AI总结 本文提出DuSE模型，通过双流架构模拟认知过程，提升动态面部表情识别的鲁棒性和可解释性。

Comments Accepted by IEEE ICRA 2026

Asymptotically Stable Gait Generation and Instantaneous Walkability Determination for Planar Almost Linear Biped with Knees

平面近线性双足机器人渐近稳定步态生成及瞬时行走性判定

Fumihiko Asano, Ning Lei, Taiki Sedoguchi

机构 * Graduate School of Advanced Science and Technology, Japan Advanced Institute of Science and Technology（日本科学技术大学先进科学与技术研究生院） 纠错

AI总结 本文针对具有膝关节的平面近线性双足机器人，推导了运动方程、约束条件及非弹性碰撞，设计了控制系统并生成稳定步态。通过降维和线性化处理，实现了瞬时行走性判定，并分析了膝关节弯曲角和展开点对线性近似精度的影响。

Comments Accepted for presentation at the IEEE International Conference on Robotics and Automation (ICRA), 2026. This version includes a correction to a typographical error in one equation

Unveiling the Surprising Efficacy of Navigation Understanding in End-to-End Autonomous Driving

揭示端到端自动驾驶中导航理解的惊人效能

Zhihua Hua, Junli Wang, Pengfei LI, Qihao Jin, Bo Zhang, Kehua Sheng, Yilun Chen, Zhongxue Gan, Wenchao Ding

机构 * College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院） ； Didi Chuxing（滴滴出行） ； Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

AI总结 本文提出SNG框架，通过真实导航模式高效表示全局导航信息，结合导航路径与分步信息，提升自动驾驶的全局与局部规划能力，实现无需辅助损失函数的高精度导航建模。

Comments 8 pages, 6 figures. ICRA 2026. Code available at https://fudan-magic-lab.github.io/SNG-VLA-web

Uncertainty Guided Exploratory Trajectory Optimization for Sampling-Based Model Predictive Control

不确定性引导的探索轨迹优化用于基于采样的模型预测控制

O. Goktug Poyrazoglu, Yukang Cao, Rahul Moorthy, Volkan Isler

机构 * Robotics, Sensing and Networks Laboratory (RSN)（机器人、感知与网络实验室） ； University of Minnesota（明尼苏达大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出UGE-TO算法，通过生成分离样本提升配置空间覆盖，结合动态影响增强轨迹多样性，进一步集成到UGE-MPC中，实验证明在复杂环境中具有更高的探索效率和更快的收敛速度。

Comments This paper has been accepted for presentation at the IEEE International Conference on Robotics and Automation (ICRA) 2026

Bipedal-Walking-Dynamics Model on Granular Terrains

颗粒地形上的双足行走动力学模型

Xunjie Chen, Xinyan Huang, Peter Shan, Jingang Yi, Tao Liu

机构 * Department of Mechanical and Aerospace Engineering, Rutgers University（罗格斯大学机械与航空航天工程系） ； Bridgewater Raritan High School（布里奇沃特-拉里坦高中） ； State Key Lab of Fluid Power Transmission and Control and the School of Mechanical Engineering, Zhejiang University（浙江大学流体动力传动与控制国家重点实验室和机械工程学院） 纠错

AI总结 本文提出一种新的双足行走动力学模型，用于预测在颗粒介质上行走的运动。模型通过动态足部-地形交互模型计算地面反作用力，并引入三个额外自由度以估计足部下沉和滑动，从而改进机器人行走的运动学和动力学分析。

Comments Accepted paper in ICRA 2026

Toward Efficient and Robust Behavior Models for Multi-Agent Driving Simulation

迈向多智能体驾驶仿真中高效且稳健的行为模型

Fabian Konstantinidis, Moritz Sackmann, Ulrich Hofmann, Christoph Stiller

机构 * CARIAD SE（CARIAD公司） ； Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院） 纠错

AI总结 本文提出一种高效的多智能体驾驶仿真行为模型，通过实例中心场景表示和对称上下文编码提升效率与鲁棒性，实验表明该方法在规模扩展时显著降低训练和推理时间，并在位置精度和稳健性上优于现有基线。

Comments This is the author's accepted version of a paper to appear in the IEEE International Conference on Robotics & Automation (ICRA 2026)

LLM-Guided Task- and Affordance-Level Exploration in Reinforcement Learning

基于大型语言模型的任务与能力层面探索的强化学习

Jelle Luijkx, Runyu Ma, Zlatan Ajanović, Jens Kober

机构 * RWTH Aachen University（亚琛工业大学） 纠错

AI总结 本文提出LLM-TALE框架，利用大型语言模型的规划能力引导强化学习探索，提升学习效率和任务成功率，实验证明在抓取放置任务中表现出更高的样本效率和成功率。

Comments 8 pages, 7 figures, ICRA 2026

GPU-Accelerated Continuous-Time Successive Convexification for Contact-Implicit Legged Locomotion

GPU加速的连续时间递进凸优化用于接触隐式腿部运动

Samuel C. Buckner, Purnanand Elango

机构 * University of Washington（华盛顿大学） ； Mitsubishi Electric Research Laboratories（三菱电机研究实验室） 纠错

AI总结 本文提出了一种基于连续时间递进凸优化的接触隐式腿部运动方法，通过引入积分互补性约束消除接触事件丢失风险，提升求解效率，实现更灵活的接触模式切换。

Comments Accepted to IEEE ICRA 2026

Volumetric Ergodic Control

体积分控

Jueun Kwon, Max M. Sun, Todd Murphey

机构 * Northwestern University（西北大学） 纠错

AI总结 本文提出一种基于体积分的体积分控方法，通过优化空间覆盖提升机器人任务效率，实现更高效的环境覆盖与任务完成。

Comments 8 pages, 8 figures; Accepted to 2026 IEEE International Conference on Robotics and Automation (ICRA); Project website: https://murpheylab.github.io/vec/

Adaptor: Advancing Assistive Teleoperation with Few-Shot Learning and Cross-Operator Generalization

Adaptor：通过少样本学习和跨操作者泛化提升辅助远程操作

Yu Liu, Yihang Yin, Tianlv Huang, Fei Yan, Yuan Xu, Weinan Hong, Wei Han, Yue Cao, Xiangyu Chen, Zipei Fan, Xuan Song

机构 * School of Artificial Intelligence, Jilin University（吉林大学人工智能学院） ； IO-AI TECH 纠错

AI总结 Adaptor通过少样本学习和跨操作者泛化方法，提升辅助远程操作中意图识别的鲁棒性，实验表明其在真实和模拟基准上表现优异，具备低方差和跨操作者泛化能力。

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

LEGO: Latent-space Exploration for Geometry-aware Optimization of Humanoid Kinematic Design

LEGO：基于潜在空间的几何感知人类oid运动学设计优化

Jihwan Yoon, Taemoon Jeong, Jeongeun Park, Chanwoo Kim, Jaewoon Kwon, Yonghyeon Lee, Kyungjae Lee, Sungjoon Choi

机构 * Department of Artificial Intelligence, Korea University（高丽大学人工智能系） ； Contoro Robotics ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） ； Department of Statistics, Korea University（高丽大学统计系） 纠错

AI总结 本文提出LEGO框架，通过学习现有机械设计构建潜在空间，利用运动重定向和Procrustes分析定义损失函数，实现人类oid上半身设计的自动化优化。

Comments Accepted in ICRA 2026

Dream to Fly: Model-Based Reinforcement Learning for Vision-Based Drone Flight

梦想飞翔：基于模型的强化学习用于基于视觉的无人机飞行

Angel Romero, Ashwin Shenai, Ismail Geles, Elie Aljalbout, Davide Scaramuzza

机构 * Robotics and Perception Group, Department of Informatics, University of Zurich（苏黎世大学信息学系机器人感知组） 纠错

AI总结 本文提出基于模型的强化学习方法，通过像素观测实现无人机敏捷飞行，展示了在模拟和真实世界中的高效表现，推动了基于像素的自主飞行技术发展。

Comments 8 pages, 6 Figures, accepted to IEEE ICRA 2026

Learning Geometry-Aware Nonprehensile Pushing and Pulling with Dexterous Hands

学习几何感知的非抓取推拉与拉拽技术：灵活手部应用

Yunshuang Li, Yiyang Ling, Gaurav S. Sukhatme, Daniel Seita

AI总结 本文提出GD2P方法，通过生成和学习预接触手部姿态实现非抓取推拉，利用接触引导采样和物理模拟生成有效姿态，展示灵活手部在非抓取操作中的应用潜力。

Comments Published at International Conference on Robotics and Automation (ICRA) 2026

KITE: Keyframe-Indexed Tokenized Evidence for VLM-Based Robot Failure Analysis

KITE：基于关键帧的令牌化证据用于基于视觉语言模型的机器人故障分析

Mehdi Hosseinzadeh, King Hang Wong, Feras Dayoub

机构 * Australian Institute for Machine Learning (AIML), Adelaide University（澳大利亚机器学习研究所（AIML），阿德莱德大学） 纠错

AI总结 KITE通过将长机器人执行视频转化为紧凑可解释的令牌化证据，提升基于VLM的机器人故障检测与分析能力，尤其在模拟故障检测中表现优异。

Comments ICRA 2026; Project page: https://m80hz.github.io/kite/

Rendering Multi-Human and Multi-Object with 3D Gaussian Splatting

多人类和多物体的3D高斯散射渲染

Weiquan Wang, Jun Xiao, Feifei Shao, Yi Yang, Yueting Zhuang, Long Chen

机构 * State Key Lab of CAD&CG, College of Computer Science, Zhejiang University（浙江大学计算机科学与技术学院计算机辅助设计与图形学国家重点实验室） ； Department of Computer Science and Engineering, The Hong Kong University of Science and Technology（香港科技大学计算机科学与工程系） 纠错

AI总结 本文提出MM-GS框架，通过实例级多视图融合和场景级实例交互模块，解决多人类和多物体动态场景重建中的视图一致性与复杂依赖建模问题，实现高保真渲染。

Comments 8 pages, 4 figures, accepted by ICRA 2026

Learning-Guided Force-Feedback Model Predictive Control with Obstacle Avoidance for Robotic Deburring

具有障碍物避障的力反馈模型预测控制学习方法用于机器人去毛刺

Krzysztof Wojciechowski, Ege Gursoy, Arthur Haffemayer, Sebastien Kleff, Vincent Bonnet, Florent Lamiraux, Nicolas Mansard

机构 * LAAS-CNRS, Universite de Toulouse, CNRS, Toulouse, France（法国国家科学研究中心LAAS实验室，图卢兹大学，法国图卢兹） ； Inria, AUCTUS team, Talence, France（法国国家信息与自动化研究所AUCTUS团队，法国塔朗斯） ； Image and Pervasive Access Laboratory (IPAL), CNRS-UMI, 2955, Singapore（图像与普适接入实验室（IPAL），法国国家科学研究中心-国际联合实验室2955，新加坡） ； Artificial and Natural Intelligence Toulouse Institute, France（图卢兹人工智能与自然智能研究所，法国） 纠错

AI总结 本文提出结合力反馈MPC与扩散运动先验的框架，解决机器人去毛刺任务中力控制、碰撞避免和复杂运动的问题，通过实验验证其在工业场景下的可靠性与有效性。

Comments Accepted to ICRA 2026

You're Pushing My Buttons: Instrumented Learning of Gentle Button Presses

你正在按我的按钮：仪器化学习温和的按钮按下

Raman Talwar, Remko Proesmans, Thomas Lips, Andreas Verleysen, Francis wyffels

机构 * Ghent University—imec（根特大学—imec） ； AI and Robotics Lab (IDLab-AIRO)（人工智能与机器人实验室（IDLab-AIRO）） 纠错

AI总结 本文研究通过仪器化学习提升接触丰富操作的性能，利用麦克风指尖捕捉接触相关音频，结合模仿学习策略，通过仪器化信号优化音频编码器，减少接触力，验证了仪器化作为训练时辅助目标的有效性。

Comments icra 2026 workshop paper

Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery

基于EEG的混合视觉和运动想象的机器人抓取与放置控制

Yichang Liu, Tianyu Wang, Ziyi Ye, Yawei Li, Yu-Gang Jiang, Shouyan Wang, Yanwei Fu

机构 * Institute of Science and Technology for Brain-inspired Intelligence (ISTBI), Fudan University（复旦大学类脑智能科学与技术研究院） ； School of Data Science, Fudan University（复旦大学大数据学院） ； Institute of Trustworthy Embodied AI, Fudan University（复旦大学可信具身智能研究院） ； Shanghai Key Laboratory of Multimodal Embodied AI（上海市多模态具身智能重点实验室） ； Shanghai Innovation Institute（上海创新研究院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

AI总结 本文提出一种整合EEG视觉和运动想象与机器人控制的框架，实现实时意图驱动的抓取与放置。系统通过离线预训练解码器在在线流式管道中零样本方式实现神经信号与物理控制的连接，实现视觉意图到机器人动作的转换，验证了纯想象基BCI范式在实际人机协作中的灵活性。

Comments ICRA 2026

Acoustic Feedback for Closed-Loop Force Control in Robotic Grinding

用于机器人磨削闭环力控制的声学反馈

Zongyuan Zhang, Christopher Lehnert, Will N. Browne, Jonathan M. Roberts

机构 * School of Electrical Engineering and Robotics, Queensland University of Technology（昆士兰科技大学电气工程与机器人学院） ； Australian Cobotics Centre, Queensland University of Technology（昆士兰科技大学澳大利亚协作机器人中心） ； Centre for Robotics, Queensland University of Technology（昆士兰科技大学机器人中心） 纠错

AI总结 本文提出一种低成本声学反馈机器人磨削系统，通过接触麦克风实时估计磨削力，实现闭环力控制，相比传统力传感器更经济且适应性更强。

Comments Accepted to IEEE International Conference on Robotics and Automation (ICRA) 2026. 8 pages, 10 figures. Video demonstration: https://youtu.be/Un7Jqj8e7HA

Secure Planning Against Stealthy Attacks via Model-Free Reinforcement Learning

通过模型无关强化学习实现对隐蔽攻击的安全规划

Alper Kamil Bozkurt, Yu Wang, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

AI总结 本文提出利用模型无关强化学习在未知随机环境中实现安全规划，通过将攻击者与控制器视为博弈双方，以线性时序逻辑公式表达其目标，解决在未知环境中满足LTL公式的问题。

Journal ref 2021 IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 10656-10662

Model-Free Reinforcement Learning for Stochastic Games with Linear Temporal Logic Objectives

无模型强化学习用于具有线性时序逻辑目标的随机博弈

Alper Kamil Bozkurt, Yu Wang, Michael Zavlanos, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

AI总结 本文研究了在未知环境中合成满足线性时序逻辑（LTL）目标的控制策略问题，提出了一种无模型强化学习方法，通过确定性拉宾自动机（DRA）的接受条件来最大化满足LTL规范的概率，并在两个运动规划案例中验证了方法的适用性。

Journal ref 2021 IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 10649-10655

Control Synthesis from Linear Temporal Logic Specifications using Model-Free Reinforcement Learning

基于线性时序逻辑规范的控制合成使用无模型强化学习

Alper Kamil Bozkurt, Yu Wang, Michael M. Zavlanos, Miroslav Pajic

机构 * Duke University（杜克大学） 纠错

AI总结 本文提出一种强化学习框架，用于在未知随机环境中基于线性时序逻辑规范合成控制策略，通过无模型强化学习最大化满足LTL公式概率，确保算法收敛至最优策略。

Journal ref 2020 IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020, pp. 10349-10355

Learning Task-Invariant Properties via Dreamer: Enabling Efficient Policy Transfer for Quadruped Robots

通过Dreamer学习任务不变属性：为四足机器人实现高效的策略迁移

Junyang Liang, Yuxuan Liu, Yabin Chang, Junfan Lin, Junkai Ji, Hui Li, Changxin Huang, Jianqiang Li

机构 * Shenzhen University（深圳大学） ； Peng Cheng Laboratory（鹏城实验室） 纠错

AI总结 本文提出DreamTIP框架，通过在Dreamer世界模型中引入任务不变属性学习，提升仿真到现实的迁移能力，实验表明其在复杂地形任务中表现优异，性能提升显著。

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

NavCrafter: Exploring 3D Scenes from a Single Image

NavCrafter：从单张图像探索3D场景

Hongbo Duan, Peiyu Zhuang, Yi Liu, Zhengyang Zhang, Yuxin Zhang, Pengting Luo, Fangming Liu, Xueqian Wang

机构 * Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院人工智能与机器人中心） ； Peng Cheng Laboratory（鹏城实验室） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间安全学院） ； Central Media Technology Institute, Huawei Incorporated Company（华为技术有限公司中央媒体技术研究院） 纠错

AI总结 NavCrafter通过合成新颖视角视频序列，实现从单张图像生成灵活的3D场景，采用视频扩散模型和几何感知扩展策略，提升可控多视角合成与3D重建精度。

Comments 8 pages accepted by ICRA 2026

Learning Adaptive Pseudo-Label Selection for Semi-Supervised 3D Object Detection

学习自适应伪标签选择用于半监督3D目标检测

Taehun Kong, Tae-Kyun Kim

机构 * School of Computing, KAIST（韩国科学技术院计算机学院） ； AI Lab, LG Electronics（LG电子人工智能实验室） 纠错

AI总结 本文提出一种自适应伪标签选择框架，通过动态阈值和上下文信息提升3D目标检测性能，实验表明其在KITTI和Waymo数据集上效果显著。

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

ROPA: Synthetic Robot Pose Generation for RGB-D Bimanual Data Augmentation

ROPA: 合成机器人姿态生成用于RGB-D双臂数据增强

Jason Chen, I-Chun Arthur Liu, Gaurav Sukhatme, Daniel Seita

机构 * University of Southern California（南加州大学） 纠错

AI总结 本文提出ROPA，通过微调Stable Diffusion生成RGB-D双臂任务的合成数据，提升机器人双臂操控的鲁棒性与数据增强效率。

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

COMPAct: Computational Optimization and Automated Modular design of Planetary Actuators

COMPAct：机器人执行器的计算优化与自动化模块化设计

Aman Singh, Deepak Kapa, Suryank Joshi, Shishir Kolathaya

机构 * Indian Institute of Science (IISc)（印度科学研究所） ； Indian Institute of Technology Roorkee（印度理工学院罗基分校） 纠错

AI总结 本文提出COMPAct框架，通过系统优化齿轮箱参数并自动化执行器CAD设计，实现执行器的高效设计与3D打印，实验验证了不同齿轮箱类型在效率、背隙和刚度上的性能差异。

Comments 8 pages, 9 Figures, 2 tables; first two authors contributed equally; published in 2026 IEEE International Conference on Robotics and Automation (ICRA 2026)

Vi-TacMan: Articulated Object Manipulation via Vision and Touch

Vi-TacMan：通过视觉和触觉进行关节物体操作

Leiyao Cui, Zihang Zhao, Sirui Xie, Wenhuan Zhang, Zhi Han, Yixin Zhu

机构 * Shenyang Institute of Automation, Chinese Academy of Sciences（中国科学院沈阳自动化研究所） ； University of Chinese Academy of Sciences（中国科学院大学） ； Institute for Artificial Intelligence, Peking University（北京大学人工智能研究院） ； School of Psychological and Cognitive Sciences, Peking University（北京大学心理与认知科学学院） ； State Key Lab of General AI, Peking University（北京大学通用人工智能国家重点实验室） ； Beijing Key Laboratory of Behavior and Mental Health, Peking University（北京大学行为与心理健康北京市重点实验室） ； LeapZenith AI Research（跃臻人工智能研究院） ； Embodied Intelligence Lab, PKU-Wuhan Institute for Artificial Intelligence（北京大学武汉人工智能研究院具身智能实验室） 纠错

AI总结 本文提出Vi-TacMan，结合视觉和触觉反馈实现关节物体的精确操控，通过表面法线作为几何先验并利用von Mises-Fisher分布建模方向，显著优于基线方法，且无需显式运动学模型。

Comments ICRA 2026

How to Train your Tactile Model: Tactile Perception with Multi-fingered Robot Hands

如何训练你的触觉模型：多指机械手的触觉感知

Christopher J. Ford, Kaichen Shi, Laura Butcher, Nathan F. Lepora, Efi Psomopoulou

机构 * Bristol Robotics Laboratory, University of Bristol（布里斯托大学布里斯托机器人实验室） 纠错

AI总结 本文提出TacViT模型，基于视觉Transformer实现触觉感知，能有效泛化新传感器数据，减少数据收集和重训练需求，提升多指机械手的触觉感知能力。

Comments Accepted for publication at the International Conference on Robotics and Automation (ICRA) 2026, Vienna

SoftHand Model-W: A 3D-Printed, Anthropomorphic, Underactuated Robot Hand with Integrated Wrist and Carpal Tunnel

SoftHand Model-W: 一种3D打印的拟人化欠驱动机器人手，集成腕关节和腕管机制

Dhillon B. Merritt, Christopher J. Ford, Haoran Li, Malia Smith, Zhixing Chen, Efi Psomopoulou, Nathan F. Lepora

机构 * Bristol Robotics Laboratory, University of Bristol（布里斯托大学布里斯托机器人实验室） 纠错

AI总结 SoftHand Model-W通过集成腕关节和腕管机制，实现了五指主动屈伸及掌部主动屈伸和桡侧/尺侧偏移，展示了近端自由度在现实机器人应用中实现多样化、类人操作的关键作用。

Comments Accepted for publication at the International Conference of Robotics and Automation (ICRA) 2026, Vienna