IEEE RA-L

A Model-based Visual Contact Localization and Force Sensing System for Compliant Robotic Grippers

基于模型的视觉接触定位与力感知系统用于柔顺机械手爪

Kaiwen Zuo, Shuyuan Yang, Zonghe Chua

机构 * Department of Electrical, Computer, and Systems Engineering, Case Western Reserve University（电气、计算机与系统工程系，凯斯西储大学） 纠错

AI总结 本文提出基于模型的视觉力感知系统，结合迭代接触定位与通用化方法，用于柔顺机械手爪的实时力估计，实验显示其在不同物体和条件下具有较高的精度和鲁棒性。

Comments 8 pages, 6 figures, IEEE Robotics and Automation Letters

Energy-Efficient Multi-Robot Coverage Path Planning of Non-Convex Regions of Interests

非凸目标区域的多机器人节能覆盖路径规划

Sourav Raxit, Jose Fuentes, Paulo Padrao, Abdullah Al Redwan Newaz, Md Tamjidul Hoque, Mark Kulp, Leonardo Bobadilla

机构 * Department of Earth and Environmental Sciences, University of New Orleans（地球与环境科学系，新奥尔良大学） ； School of Computing and Information Sciences, Florida International University（计算与信息科学学院，佛罗里达国际大学） ； Providence College, Department of Mathematics & Computer Science（普罗维登斯学院，数学与计算机科学系） 纠错

AI总结 本文提出一种针对大非凸目标区域的多机器人节能覆盖路径规划框架，通过全局信息生成、并行扫掠路径、安全缓冲区计算和高效mTSP求解器，提升能效与可扩展性。

Comments Accepted in " Robotics and Automation Letters (RAL)"

Value Explicit Pretraining for Learning Transferable Representations

为学习可迁移的表示进行价值显式预训练

Kiran Lekkala, Henghui Bao, Sumedh A. Sontakke, Erdem Biyik, Laurent Itti

机构 * Thomas Lord Department of Computer Science at the University of Southern California（南加州大学汤姆·劳德计算机科学系） 纠错

AI总结 本文提出价值显式预训练（VEP），通过学习对环境动态和外观变化不变的表示，提升强化学习任务迁移能力。实验表明VEP在未见任务泛化能力、奖励和样本效率上均优于现有方法。

Comments Published in Robotics and Automation Letters (RA-L), January 2026