IEEE RA-L

Task Parameter Extrapolation via Learning Inverse Tasks from Forward Demonstrations

通过从正向演示中学习逆向任务进行任务参数外推

Serdar Bahar, Fatih Dogangun, Matteo Saveriano, Yukie Nagai, Emre Ugur

机构 * Bogazici University（博雅科技大学） ； University of Trento（特伦托大学） ； The University of Tokyo（东京大学） 纠错

AI总结 本文提出了一种基于任务逆向学习的联合学习方法，通过利用辅助正向演示实现准确且高效的知识转移，以解决机器人学习中的泛化问题。

Comments Accepted for publication in IEEE RA-L

Online Generation of Collision-Free Trajectories in Dynamic Environments

动态环境中无碰撞轨迹的在线生成

Nermin Covic, Bakir Lacevic

机构 * Faculty of Electrical Engineering, University of Sarajevo（萨拉热窝大学电气工程学院） 纠错

AI总结 提出一种在线方法，将任意几何路径转换为运动学可行、加加速度受限的轨迹，支持实时环境适应并提供条件性停止安全保证。

Journal ref IEEE Robotics and Automation Letters, 2026

Towards Online Robot Interaction Adaptation to Human Upper-limb Mobility Impairments in Return-to-Work Scenarios

在重返工作场景中实现机器人在线交互以适应人类上肢运动障碍

Marta Lagomarsino, Francesco Tassi

机构 * Human-Robot Interfaces and Interaction (HRII) Laboratory, Istituto Italiano di Tecnologia（人类-机器人接口与交互（HRII）实验室，意大利技术研究院） 纠错

AI总结 针对工作环境对上肢残疾人士缺乏包容性的问题，提出将特定关节运动模型集成到分层最优控制器的人机交互框架，经测试能使交互个性化，适应受损运动范围，鼓励关节使用。

Journal ref IEEE Robotics and Automation Letters, 2026