IEEE RA-L

TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

TRACE：不可靠接触条件下四足机器人的学习式本体里程计

Taehyeon Kong, Woojin Kim, Jemin Hwangbo

机构 * Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST）） 纠错

AI总结 本研究提出TRACE模型，通过引入足部感知交叉注意力模块等技术，结合策略随机化与部分现实微调，提升四足机器人在不可靠接触条件下的本体里程计性能，降低位置漂移并改善仿真到现实的迁移效果。

Comments 8 pages, 7 figures. Submitted to IEEE Robotics and Automation Letters (RA-L)

Robust Scene Transfer for PointGoal Navigation via Privileged Sensor Guided Contrastive Learning

基于特权传感器引导对比学习的点目标导航鲁棒场景迁移

Amirhossein Zhalehmehrabi, Tiziano Tezze, Alberto Castelini, Alessandro Farinelli

机构 * University of Padua（帕多瓦大学） ； ETH Zurich（苏黎世联邦理工学院） 纠错

AI总结 提出一种传感器引导的自适应对比学习框架，利用特权LiDAR传感器在训练时引导视觉编码器学习导航相关结构，并通过解耦表征学习与策略优化以及跨阶段域不匹配来提升策略级场景迁移能力。

Comments 8 pages, Accepted to IEEE Robotics and Automation Letters (RA-L)