IEEE RA-L

NEO: NeRF It Once, Edit It Many Times for Continuous Object Manipulation

NEO：一次性NeRF，多次编辑以进行连续物体操纵

Mikołaj Zieliński, David Hall, Dominik Belter, Peyman Moghadam

机构 * Institute of Robotics and Machine Intelligence, Poznan University of Technology（波兹南理工大学机器人与机器智能研究所） ； CSIRO Robotics, CSIRO（联邦科学与工业研究组织机器人部） 纠错

AI总结 本文提出NEO框架，用于机器人操纵的语言引导NeRF编辑。结合神经场重采样与多视图修复实现物体移除，利用知识蒸馏进行NeRF权重编辑，还创建了评估基准NEO-Dataset。该方法在场景编辑任务中表现出色，优于现有基线。

Comments Accepted to IEEE ROBOTICS AND AUTOMATION LETTERS (RA-L) JULY, 2026

Robust 6-DoF Object Pose Tracking with Built-In Recovery under Occlusions and Rapid Object Motions

在遮挡和快速物体运动情况下具有内置恢复功能的鲁棒6自由度物体姿态跟踪

Balázs Opra, Léo Ghafari, Thomas Stewart, Cyrill Stachniss

机构 * Woven by Toyota, Inc.（丰田编织公司） ； University of Bonn（波恩大学） ； University of Bonn, Center for Robotics, and the Lamarr Institute for Machine Learning and Artificial Intelligence（波恩大学机器人中心以及拉玛尔机器学习与人工智能研究所） 纠错

AI总结 针对RGB-D数据中未见物体的6自由度跟踪问题，尤其是遮挡和快速运动场景，提出结合关键点匹配与优化对齐及故障检测恢复模块的方法，在多场景评估中表现出色，是鲁棒6自由度物体跟踪的重要进展。

Comments 8 pages, 4 figures. Accepted for publication in IEEE Robotics and Automation Letters (RA-L)