IEEE RA-L

BoundPlanner: A convex-set-based approach to bounded manipulator trajectory planning

BoundPlanner: 一种基于凸集的有界机械臂轨迹规划方法

Thies Oelerich, Christian Hartl-Nesic, Florian Beck, Andreas Kugi

机构 * Automation and Control Institute (ACIN), TU Wien（自动化与控制研究所（ACIN），维也纳技术大学） 纠错

AI总结 BoundPlanner通过基于凸集的轨迹规划方法，实现机械臂在考虑运动学和碰撞约束下的高效在线轨迹规划。

Comments Published at RA-L

Autonomous Robotic Tissue Palpation and Abnormalities Characterisation via Ergodic Exploration

自主机器人组织触诊及异常特征表征 via 耐久性探索

Luca Beber, Edoardo Lamon, Matteo Saveriano, Daniele Fontanelli, Luigi Palopoli

机构 * Department of Information Engineering and Computer Science, University of Trento（信息工程与计算机科学系，特伦托大学） ； Department of Industrial Engineering, University of Trento（工业工程系，特伦托大学） 纠错

AI总结 本文提出了一种基于耐久性探索的自主机器人触诊框架，通过结合力反馈与高斯过程回归，实现对组织弹性特性的高精度实时映射，提升异常特征的检测能力。

Comments Submitted to IEEE Robotics and Automation Letters (RA-L)

Rigidity-Based Multi-Finger Coordination for Precise In-Hand Manipulation of Force-Sensitive Objects

基于刚性的多指协调用于力敏感物体的精确手握操作

Xinan Rong, Changhuang Wan, Aochen He, Xiaolong Li, Gangshan Jing

机构 * School of Automation, Chongqing University（重庆大学自动化学院） ； Department of Mechanical Engineering, City University of Hong Kong（香港城市大学机械工程系） 纠错

AI总结 本文提出双层框架实现多指协调，通过关节控制无需触觉反馈实现高精度力敏感物体操作。

Comments This paper has been accepted by IEEE Robotics and Automation Letters. The experimental video is avaialable at: https://www.youtube.com/watch?v=kcf9dVW0Dpo

DeCo: Task Decomposition and Skill Composition for Zero-Shot Generalization in Long-Horizon 3D Manipulation

DeCo：用于长周期3D操作零样本泛化任务分解与技能组合

Zixuan Chen, Junhui Yin, Yangtao Chen, Jing Huo, Pinzhuo Tian, Jieqi Shi, Yiwen Hou, Yinchuan Li, Yang Gao

机构 * State Key Laboratory for Novel Software Technology, Nanjing University（南京大学新型软件技术国家重点实验室） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Huawei Noah’s Ark Lab (AI Lab), China（华为诺亚实验室（AI实验室）） 纠错

AI总结 DeCo通过任务分解与技能组合提升长周期3D操作任务的零样本泛化能力，显著提高多个模型在新任务上的成功率。

Comments RAL 2026

Planning Human-Robot Co-manipulation with Human Motor Control Objectives and Multi-component Reaching Strategies

基于人类运动控制目标和多组件抓取策略的人机协同规划

Kevin Haninger, Luka Peternel

机构 * Department of Automation, Fraunhofer IPK（自动化系，弗劳恩霍夫IPK研究所） 纠错

AI总结 本文提出基于人类运动控制模型和多组件抓取策略的人机协同规划方法，以实现更自然的人机交互。

Comments 10 Pages

Journal ref IEEE Robotics and Automation Letters, Volume 10, Issue 2, February 2025

A Pragmatist Robot: Learning to Plan Tasks by Experiencing the Real World

务实型机器人：通过体验现实世界学习任务规划

Kaixian Qu, Guowei Lan, René Zurbrügg, Changan Chen, Christopher E. Mower, Haitham Bou-Ammar, Marco Hutter

机构 * Robotic Systems Lab, ETH Zürich（瑞士联邦理工学院机器人系统实验室） ； ETH AI Center, ETH Zürich（瑞士联邦理工学院人工智能中心） ； Huawei Noah’s Ark Lab, London, UK（华为诺亚实验室，伦敦，英国） ； UCL Centre for AI, London, UK（伦敦大学学院人工智能中心） 纠错

AI总结 PragmaBot 通过现实世界经验学习任务规划，利用 STM 自我反思和 RAG 提高任务成功率

Comments Accepted to RA-L