IROS

RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents

RoboBRIDGE：一种将策略桥接至鲁棒现实世界机器人智能体的模块化框架

Sihyung Yoon, Minjong Yoo, Sanghyun Ahn, Seojeong Choi, Honguk Woo

机构 * Sungkyunkwan University（成均馆大学） 纠错

AI总结 该研究针对视觉-语言-动作模型部署为机器人智能体的缺陷，提出 RoboBRIDGE 模块化框架，通过五大协同模块结合预训练 VLAs 构建鲁棒智能体，在多基准和现实场景中性能优于现有方案。

Comments Accepted to IROS 2026. 8 pages, 6 figures

A Robust Placeability Metric for Model-Free Unified Pick-and-Place Reasoning

一种针对无模型统一抓取放置推理的鲁棒放置性度量

Benno Wingender, Nils Dengler, Rohit Menon, Sicong Pan, Maren Bennewitz

机构 * Anonymous Authors（匿名作者） ； Benno Wingender（伯恩诺·温格德尔） ； Nils Dengler（尼尔·登格尔） ； Rohit Menon（罗希特·梅农） ； Sicong Pan（斯冰·潘） ； Maren Bennewitz（马伦·本内维茨） 纠错

AI总结 本文提出一种鲁棒的概率放置性度量，通过联合评估稳定性、抓取性和空隙，实现无模型的统一抓取放置推理，并在仿真和真实机器人实验中验证其有效性。

Comments IROS 2026

ARCSnake V2: Mechanical Adaptations For An Amphibious Multi-Domain Screw-Propelled Snake-Like Robot

ARCSnake V2：适用于水陆两栖多领域的螺旋推进蛇形机器人的机械改进

Sara Wickenhiser, Lizzie Peiros, Calvin Joyce, Peter Gavrilov, Sujaan Mukherjee, Syler Sylvester, Junrong Zhou, Mandy Cheung, Jason Lim, Florian Richter, Michael C. Yip

机构 * Mechanical and Aerospace Engineering Department, University of California San Diego（加州大学圣地亚哥分校机械与航空航天工程系） ； Electrical and Computer Engineering Department, University of California, San Diego（加州大学圣地亚哥分校电气与计算机工程系） 纠错

AI总结 ARCSnake V2是ARCSnake V1的改进型两栖螺旋推进蛇形机器人，结合超冗余蛇形机器人高机动性与阿基米德螺旋推进的地形适应性，经实验验证具备水下作业能力，可作为多领域探索等任务的多功能平台。

Comments 8 pages, 5 figures, IROS

Do Visual-Language Grid Maps Capture Latent Semantics?

Matti Pekkanen, Tsvetomila Mihaylova, Francesco Verdoja, Ville Kyrki

机构 * School of Electrical Engineering, Aalto University（奥卢大学电气工程学院） 纠错

Comments IROS 2025

Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Hangzhou, China, 2025, pp. 4059-4066

REACT: Real-time Efficient Attribute Clustering and Transfer for Updatable 3D Scene Graph

Phuoc Nguyen, Francesco Verdoja, Ville Kyrki

机构 * School of Electrical Engineering, Aalto University（艾尔沃大学电气工程学院） 纠错

Comments Accepted to IROS 2025

Journal ref 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Hangzhou, China, 2025, pp. 2209-2216

CLAM: Continuous Latent Action Models for Robot Learning from Unlabeled Demonstrations

CLAM：基于未标记演示的连续潜在动作模型用于机器人学习

Anthony Liang, Pavel Czempin, Matthew M. Hong, Yutai Zhou, Jingzhen Wang, Erdem Biyik, Stephen Tu

机构 * Department of Computer Science, University of Southern California（南加州大学计算机科学系） ； Department of Electrical and Computer Engineering, University of Southern California（南加州大学电气与计算机工程系） 纠错

AI总结 CLAM通过连续潜在动作标签和联合训练动作解码器，有效解决复杂连续控制任务中未标记数据的学习问题，实现在DMControl和MetaWorld等基准及真实机器人上的性能提升。

Comments Latent Action Models, Self-supervised Pretraining, Learning from Videos

Journal ref IEEE/RSJ International Conference on Intelligent Robots and Systems 2026