IROS

TACTFUL: Tactile-Driven Exploration For Object Localization and Identification in Confined Environments

TACTFUL: 受限环境中的触觉驱动探索用于物体定位与识别

Shivani Kamtikar, Chung Hee Kim, Camilla Tabasso, Tye Brady, Joshua Migdal, Taskin Padir

机构 * Amazon Fulfillment Technologies & Robotics（亚马逊履约技术与机器人） ； Siebel School of Computing and Data Science, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校西贝尔计算与数据科学学院） ； Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） 纠错

AI总结 提出无视觉触觉探索框架TACTFUL，使多指机器人通过动态奖励策略平衡全局探索与局部表面细化，实现物体自主发现与识别，平均重建误差0.015米，成功率77%。

Comments IROS 2026

NoContactNoWorries: Estimating Contact through Vision and Proprioception for In-Hand Dexterous Manipulation

NoContactNoWorries: 通过视觉和本体感觉估计手内灵巧操作的接触

Soham Patil, Avirup Das, Sourabh Bhosale, Spandan Roy

机构 * Robotics Research Center (RRC), International Institute of Information Technology (IIIT), Hyderabad, India（印度海得拉巴国际信息技术研究所机器人研究中心） ； Department of Computer Science, The University of Manchester（曼彻斯特大学计算机科学系） 纠错

AI总结 提出一种基于Transformer的多模态框架，融合RGB-D视觉和机器人本体感觉推断二值接触状态，作为手物交互的伪触觉信号，支持下游强化学习实现手内物体重定向并泛化至新物体。

Comments Accepted to IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS) 2026

DynaWM: Dynamics-Aware Distillation with World Model and Momentum Targets for Smooth Locomotion over Continuous Stairs

DynaWM: 基于世界模型和动量目标的动力学感知蒸馏实现连续楼梯上的平滑运动

Haidong Hou, Zhangguo Yu, Hengbo Qi, Jianlin Zhang

机构 * School of Mechatronical Engineering, Beijing Institute of Technology（北京理工大学机电学院） 纠错

AI总结 提出DynaWM框架，通过世界模型正则化增强地形编码，并利用动量目标编码器稳定知识蒸馏，使双足轮式机器人在连续楼梯上实现高适应性和平滑运动。

Comments Comments: 8 pages, 7 figures, accepted by IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)

Journal ref IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS),2026

Prior Reinforce: Goal-Conditioned Dynamic Manipulation with Limited Trials

Prior Reinforce: 有限试验下的目标条件动态操控

Yihang Hu, Pingyue Sheng, Yuyang Liu, Shengjie Wang, Yang Gao

机构 * IIIS, Tsinghua University（清华大学智能学院） ； Shanghai Qi Zhi Institute（上海启智研究院） ； Spirit AI 纠错

AI总结 提出Prior Reinforce框架，利用条件扩散模型从少量演示学习运动流形，并在低维条件空间通过反馈驱动优化适应新目标，实现少至十次试验内的动态操控。

Comments Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

Policy Gradient with Self-Attention for Model-Free Distributed Nonlinear Multi-Agent Games

基于自注意力的策略梯度用于无模型分布式非线性多智能体博弈

Eduardo Sebastián, Maitrayee Keskar, Eeman Iqbal, Eduardo Montijano, Carlos Sagüés, Nikolay Atanasov

机构 * Department of Computer Science and Technology, University of Cambridge（计算机科学与技术系，剑桥大学） ； Department of Electrical and Computer Engineering, University of California San Diego（电气与计算机工程系，加州大学圣地亚哥分校） ； RoPeRt group, at DIIS - I3A, Universidad de Zaragoza（RoPeRt组，DIIS - I3A，阿拉贡大学） 纠错

AI总结 提出一种分布式策略结构，通过策略梯度学习，利用自注意力层处理时变通信拓扑，解决无模型非线性多智能体博弈问题，在多种场景中表现优异。

Comments The paper has been accepted and will be presented at IEEE/RSJ IROS 2026

MuTRAP: Multi-trigger Trojans Attacking Robot Task Planning Systems

MuTRAP: 攻击机器人任务规划系统的多触发器木马

Mohaiminul Al Nahian, Zainab Altaweel, David Reitano, Sabbir Ahmed, Shiqi Zhang, Adnan Siraj Rakin

机构 * Binghamton University (SUNY)（宾夕法尼亚州立大学布林顿分校） 纠错

AI总结 提出首个针对LLM辅助机器人任务规划器的多触发器木马攻击MuTRAP，通过少量任务特定参数注入后门，并优化触发器词以激活特定恶意行为，揭示当前基于LLM的规划器的安全漏洞。

Comments Accepted for publication at the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS)