IEEE RA-L

Grasping a Handful: Sequential Multi-Object Dexterous Grasp Generation

抓取一束：序列多物体灵巧抓取生成

Haofei Lu, Yifei Dong, Zehang Weng, Florian T. Pokorny, Jens Lundell, Danica Kragic

机构 * Robotics, Perception, and Learning (RPL) at KTH（KTH机器人、感知与学习中心） ； Robotics and Autonomous Systems at University of Turku（图尔库大学机器人与自主系统中心） 纠错

AI总结 本文提出SeqGrasp和SeqDiffuser，通过序列生成方法在仿真和真实机器人上实现了比MultiGrasp更高的抓取成功率和更快的生成速度。

Comments We replace the sets in Section II with an odered sequences

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 11, pp. 11880-11887, Nov. 2025

A Hyperspectral Imaging Guided Robotic Grasping System

基于超光谱成像的机器人抓取系统

Zheng Sun, Zhipeng Dong, Shixiong Wang, Zhongyi Chu, Fei Chen

机构 * Department of Mechanical and Automation Engineering, T-Stone Robotics Institute, The Chinese University of Hong Kong, Hong Kong SAR（机械与自动化工程系，T-Stone机器人研究所，香港中文大学，香港特别行政区） ； School of Instrumentation and Optoelectronic Engineering, Beihang University（仪器与光电工程学院，北航大学） 纠错

AI总结 本文提出一种基于超光谱成像的机器人抓取系统，通过PRISM和SpectralGrasp框架提升纺织品识别和分拣效率。

Comments 8 pages, 7 figures, Accepted to IEEE Robotics and Automation Letters (RA-L) 2025

STATE-NAV: Stability-Aware Traversability Estimation for Bipedal Navigation on Rough Terrain

STATE-NAV：面向粗糙地形双足导航的稳定性感知可通行性估计

Ziwon Yoon, Lawrence Y. Zhu, Jingxi Lu, Lu Gan, Ye Zhao

机构 * Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院） 纠错

AI总结 本文提出STATE-NAV框架，通过基于Transformer的神经网络预测双足机器人在粗糙地形中的稳定性，结合分层规划器实现风险感知的导航，提升导航性能和鲁棒性。

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

PPL: Point Cloud Supervised Proprioceptive Locomotion Reinforcement Learning for Legged Robots in Crawl Spaces

PPL：用于爬行空间四足机器人感知性运动强化学习的点云监督方法

Bida Ma, Nuo Xu, Chenkun Qi, Xin Liu, Yule Mo, Jinkai Wang, Chunpeng Lu

AI总结 本研究提出了一种点云监督的强化学习框架，用于提升四足机器人在受限空间中的运动能力，通过高效的点云特征提取和状态估计网络实现更快的训练和更敏捷的穿行性能。

Comments Accepted by RA-L

Real-World Robot Control by Deep Active Inference With a Temporally Hierarchical World Model

通过时序分层世界模型的深度主动推断实现现实世界的机器人控制

Kentaro Fujii, Shingo Murata

机构 * Graduate School of Integrated Design Engineering, Keio University（Keio大学整合设计工程研究院） 纠错

AI总结 本文提出一种结合时序分层世界模型的深度主动推断框架，用于在不确定环境中实现机器人高成功率的操作与探索性动作切换。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)

COMET: A Dual Swashplate Autonomous Coaxial Bi-copter AAV with High-Maneuverability and Long-Endurance

COMET：一种双摆臂自主 coaxial 双旋翼 AAV，具有高机动性和长续航能力

Shuai Wang, Xiaoming Tang, Junning Liang, Haowen Zheng, Biyu Ye, Zhaofeng Liu, Fei Gao, Ximin Lyu

机构 * the School of Intelligent Systems Engineering, Sun Yat-sen University（中山大学智能系统工程学院） ； Research Institute of Multiple Agents and Embodied Intelligence, Peng Cheng Laboratory（多智能体与具身智能研究院，鹏城实验室） ； State Key Laboratory of Industrial Control Technology, Zhejiang University（工业控制技术国家重点实验室，浙江大学） ； Differential Robotics Technology Co., Ltd.（差分机器人技术有限公司） 纠错

AI总结 COMET 是一种具有双摆臂机制的 coaxial 双旋翼 AAV，通过优化效率和机动性，实现了高续航能力与稳定飞行性能。

Comments 8 pages, 8 figures, accepted at IEEE RA-L

Adaptive Legged Locomotion via Online Learning for Model Predictive Control

通过在线学习的自适应四肢运动控制

Hongyu Zhou, Xiaoyu Zhang, Vasileios Tzoumas

机构 * Department of Aerospace Engineering, University of Michigan（密歇根大学航空航天工程系） ； Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所） 纠错

AI总结 该研究提出了一种通过在线学习和模型预测控制实现自适应四肢运动的算法，能够处理未知负载和不规则地形下的复杂任务。

Comments IEEE Robotics and Automation Letters

Have We Scene It All? Scene Graph-Aware Deep Point Cloud Compression

我们是否已经看到了一切？基于场景图的深度点云压缩

Nikolaos Stathoulopoulos, Christoforos Kanellakis, George Nikolakopoulos

机构 * Robotics and AI Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能组，计算机、电子与航天工程系，卢勒阿大学技术学院） 纠错

AI总结 本文提出基于场景图的深度点云压缩框架，通过语义感知编码和结构化解码实现高效压缩，保留结构和语义信息，并支持多机器人系统中的下游应用。

Comments Please cite published version. 8 pages, 6 figures

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 12, pp. 12477-12484, 2025

Gentle Object Retraction in Dense Clutter Using Multimodal Force Sensing and Imitation Learning

在密集障碍物中使用多模态力感知和模仿学习实现温和的对象回退

Dane Brouwer, Joshua Citron, Heather Nolte, Jeannette Bohg, Mark Cutkosky

机构 * Department of Mechanical Engineering, Stanford University, USA（机械工程系，斯坦福大学） ； Department of Computer Science, Stanford University, USA（计算机科学系，斯坦福大学） 纠错

AI总结 本研究通过多模态力感知和模仿学习，实现机器人在密集障碍物中温和地提取物体，显著提升成功率和效率。

Comments Accepted in IEEE Robotics and Automation Letters (RA-L)

UniFucGrasp: Human-Hand-Inspired Unified Functional Grasp Annotation Strategy and Dataset for Diverse Dexterous Hands

UniFucGrasp: 人类手启发的统一功能抓取标注策略与多样的灵巧手数据集

Haoran Lin, Wenrui Chen, Xianchi Chen, Fan Yang, Qiang Diao, Wenxin Xie, Sijie Wu, Kailun Yang, Maojun Li, Yaonan Wang

机构 * School of Artificial Intelligence and Robotics, Hunan University, China（人工智能与机器人学院，湖南大学） ； National Engineering Research Center of Robot Visual Perception and Control Technology, Hunan University, China（机器人视觉感知与控制技术国家工程研究中心，湖南大学） ； College of Mechanical and Vehicle Engineering, Hunan University, China（机械与车辆工程学院，湖南大学） 纠错

AI总结 UniFucGrasp提出了一种基于人类手启发的统一功能抓取标注策略与数据集，支持低成本高效收集多样化高质量功能抓取，提升多机器人手的抓取稳定性和适应性。

Comments Accepted to IEEE Robotics and Automation Letters (RA-L). The project page is at https://haochen611.github.io/UFG

A Minimal Subset Approach for Informed Keyframe Sampling in Large-Scale SLAM

大规模SLAM中用于有信息关键帧采样的最小子集方法

Nikolaos Stathoulopoulos, Christoforos Kanellakis, George Nikolakopoulos

机构 * Robotics and AI Group, Department of Computer, Electrical and Space Engineering, Luleå University of Technology（机器人与人工智能组，计算机、电气与空间工程系，卢勒奥技术大学） 纠错

AI总结 本文提出了一种基于最小子集方法的在线关键帧采样技术，通过减少冗余和保留信息来提升大规模SLAM中的闭环检测性能和定位精度。

Comments Please cite the published version. 8 pages, 9 figures

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 738-745, 2026

D-LIO: 6DoF Direct LiDAR-Inertial Odometry based on Simultaneous Truncated Distance Field Mapping

D-LIO：基于同时截断距离场映射的6自由度直接激光雷达-惯性里程计

Lucia Coto-Elena, J. E. Maese, L. Merino, F. Caballero

机构 * Service Robotics Laboratory, Universidad Pablo de Olavide（服务机器人实验室，帕布罗·德·奥拉维德大学） 纠错

AI总结 D-LIO通过同时截断距离场映射实现6自由度直接激光雷达-惯性里程计，提升环境感知精度与实时性。

Comments 9 pages, 3 figures and 43 references

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 169-176, 2026

Efficient Learning of Object Placement with Intra-Category Transfer

高效学习物体摆放的跨类迁移

Adrian Röfer, Russell Buchanan, Max Argus, Sethu Vijayakumar, Abhinav Valada

机构 * University of Freiburg（弗赖堡大学） ； University of Edinburgh（爱丁堡大学） ； University of Waterloo（滑铁卢大学） 纠错

AI总结 本文提出了一种通过跨类别迁移高效学习物体摆放的方法，利用少量示范训练模型，实现对多种物体的高效任务学习。

Comments 12 pages, 8 figures, 3 tables, accepted at RA-L November 2025

Trust-Preserved Human-Robot Shared Autonomy enabled by Bayesian Relational Event Modeling

基于贝叶斯关系事件建模的信任保留人机协同自主性

Yingke Li, Fumin Zhang

机构 * School of Electrical and Computer Engineering, Georgia Institute of Technology（电子与计算机工程学院，佐治亚理工学院） ； Department of Electronic and Computer Engineering, Hong Kong University of Science and Technology（电子与计算机工程系，香港科技大学） 纠错

AI总结 本文提出基于贝叶斯关系事件建模的信任保留协同自主策略，通过动态推断人类信任提升人机协作效率与用户接受度。

Journal ref in IEEE Robotics and Automation Letters, vol. 9, no. 11, pp. 10716-10723, Nov. 2024

Whole-Body Inverse Dynamics MPC for Legged Loco-Manipulation

全身体态逆动力学MPC用于腿部机动操作

Lukas Molnar, Jin Cheng, Gabriele Fadini, Dongho Kang, Fatemeh Zargarbashi, Stelian Coros

机构 * Department of Mechanical and Process Engineering, ETH Zurich（机械与过程工程系，苏黎世联邦理工学院） ； Computational Robotics Lab, Department of Computer Science, ETH Zurich（计算机器人实验室，计算机科学系，苏黎世联邦理工学院） 纠错

AI总结 本文提出了一种全身MPC框架，通过逆动力学优化实现腿部机动操作中的统一运动与力规划，实现实时80Hz性能，完成重物拉动、推箱子和擦拭白板等任务。

Comments 9 pages, 6 figures, to be published in IEEE Robotics and Automation Letters (Special Issue: Advancements in MPC and Learning Algorithms for Legged Robots)

LiHi-GS: LiDAR-Supervised Gaussian Splatting for Highway Driving Scene Reconstruction

LiHi-GS：基于LiDAR监督的高斯点云法用于高速公路场景重建

Pou-Chun Kung, Xianling Zhang, Katherine A. Skinner, Nikita Jaipuria

机构 * Latitude AI ； Department of Robotics, University of Michigan（机器人学系，密歇根大学） 纠错

AI总结 LiHi-GS通过LiDAR监督提升高速公路场景重建与合成，解决传统方法在高速场景和LiDAR利用上的不足。

Comments RA-L 2025

GRAM: Generalization in Deep RL with a Robust Adaptation Module

GRAM：深度强化学习中的泛化能力与鲁棒适应模块

James Queeney, Xiaoyi Cai, Alexander Schperberg, Radu Corcodel, Mouhacine Benosman, Jonathan P. How

机构 * Mitsubishi Electric Research Laboratories (MERL)（三菱电机研究实验室（MERL）） ； Massachusetts Institute of Technology（麻省理工学院） ； Amazon Robotics（亚马逊机器人） 纠错

AI总结 GRAM通过鲁棒适应模块提升深度强化学习在分布内和分布外场景中的泛化能力，通过仿真和机器人实验验证其有效性。

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)

Rad-GS: Radar-Vision Integration for 3D Gaussian Splatting SLAM in Outdoor Environments

Rad-GS：用于户外环境的雷达-视觉融合3D高斯点云SLAM

Renxiang Xiao, Wei Liu, Yuanfan Zhang, Yushuai Chen, Jinming Chen, Zilu Wang, Liang Hu

机构 * Department of Automation, School of Mechanical Engineering and Automation, Harbin Institute of Technology（自动化系、机械工程与自动化学院、哈尔滨工业大学） ； School of Computer Science and Technology, Harbin Institute of Technology（计算机科学与技术学院、哈尔滨工业大学） 纠错

AI总结 Rad-GS通过融合雷达与视觉信息，实现公里级户外环境的3D高斯点云SLAM，提升定位精度与场景重建能力。

Journal ref IEEE Robotics and Automation Letters 10(12), 13359-13366 (2025)

Multi-Timescale Hierarchical Reinforcement Learning for Unified Behavior and Control of Autonomous Driving

多尺度分层强化学习用于自动驾驶的统一行为与控制

Guizhe Jin, Zhuoren Li, Bo Leng, Ran Yu, Lu Xiong, Chen Sun

机构 * School of Automotive Studies, Tongji University（同济大学汽车学院） ； Department of Data and Systems Engineering, University of Hong Kong（香港大学数据与系统工程系） 纠错

AI总结 本文提出多尺度分层强化学习方法，通过分层策略结构统一生成运动引导和控制指令，提升自动驾驶的效率、一致性和安全性。

Comments 8 pages, accepted for publication in IEEE Robotics and Automation Letters (RAL)

Learning to Drive Anywhere with Model-Based Reannotation

基于模型的重新标注：学习在任何地方驾驶

Noriaki Hirose, Lydia Ignatova, Kyle Stachowicz, Catherine Glossop, Sergey Levine, Dhruv Shah

机构 * Department of Electrical Engineering and Computer Sciences , University of California, Berkeley, CA USA（电气工程与计算机科学系，加州大学伯克利分校） ； Toyota Motor North America, Inc（丰田北美公司） ； Department of Electrical and Computer Engineering, Princeton University（电气与计算机工程系，普林斯顿大学） 纠错

AI总结 本文提出基于模型的重新标注框架，利用被动数据训练出高效导航策略，实现机器人在复杂环境中的长距离稳健导航。

Comments 9 pages, 8 figures, 6 tables

Journal ref IEEE Robotics and Automation Letters 2025

Continuous Gaussian Process Pre-Optimization for Asynchronous Event-Inertial Odometry

连续高斯过程预优化用于异步事件-惯性里程计

Zhixiang Wang, Xudong Li, Yizhai Zhang, Fan Zhang, Panfeng Huang

机构 * IEEE 纠错

AI总结 本文提出GPO方法，通过连续时间高斯过程预整合提升异步事件-惯性里程计的精度和效率。

Comments 8pages

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 282-289, Jan. 2026

VLM-SFD: VLM-Assisted Siamese Flow Diffusion Framework for Dual-Arm Cooperative Manipulation

VLM-SFD：基于视觉语言模型的双臂协作操作Siamese流扩散框架

Jiaming Chen, Yiyu Jiang, Aoshen Huang, Yang Li, Wei Pan

机构 * Department of Computer Science, The University of Manchester（计算机科学系，曼彻斯特大学） ； School of Control Science and Engineering, Shandong University（控制科学与工程学院，山东大学） 纠错

AI总结 VLM-SFD通过双编码器-解码器架构和视觉语言模型，提升双臂协作操作的模仿学习效率与泛化能力。

Comments Accepted by IEEE RA-L

Sim2Real Diffusion: Leveraging Foundation Vision Language Models for Adaptive Automated Driving

Sim2Real Diffusion：利用基础视觉语言模型实现自适应自动驾驶

Chinmay Vilas Samak, Tanmay Vilas Samak, Bing Li, Venkat Krovi

机构 * Department of Automotive Engineering, Clemson University International Center for Automotive Research (CU-ICAR)（汽车工程系，克莱姆森大学国际汽车研究中心（CU-ICAR）） 纠错

AI总结 本文提出Sim2Real Diffusion框架，利用基础视觉语言模型实现自动驾驶的跨领域适应，通过条件潜在扩散提升sim2real转换性能。

Comments Accepted in IEEE Robotics and Automation Letters (RA-L)

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 1, pp. 177-184, Jan. 2026

Non-Gaited Legged Locomotion with Monte-Carlo Tree Search and Supervised Learning

非步态化腿式运动与蒙特卡洛树搜索及监督学习

Ilyass Taouil, Lorenzo Amatucci, Majid Khadiv, Angela Dai, Victor Barasuol, Giulio Turrisi, Claudio Semini

机构 * Dynamic Legged Systems Laboratory, Istituto Italiano di Tecnologia (IIT), Genova, Italy（动态腿系统实验室，意大利技术研究院（IIT），意大利热那亚） ； D AI Laboratory, Technical University of Munich (TUM), Germany（3D人工智能实验室，慕尼黑技术大学（TUM），德国） ； ATARI Laboratory, MIRMI, Technical University of Munich (TUM), Germany（ATARI实验室，MIRMI，慕尼黑技术大学（TUM），德国） 纠错

AI总结 本研究通过结合蒙特卡洛树搜索和监督学习，提出了一种适用于实时应用的非步态化腿式运动优化方法，通过学习最优价值函数加速步态规划并在仿真和硬件上验证其性能。

Journal ref IEEE Robotics and Automation Letters, 2025, vol. 10, no. 2, pp. 1265-1272

I've Changed My Mind: Robots Adapting to Changing Human Goals during Collaboration

我改变了想法：在协作中机器人适应变化的人类目标

Debasmita Ghose, Oz Gitelson, Ryan Jin, Grace Abawe, Marynel Vazquez, Brian Scassellati

机构 * Department of Computer Science, Yale University（计算机科学系，耶鲁大学） 纠错

AI总结 本文提出了一种机器人在协作中适应变化的人类目标的方法，通过跟踪动作序列和递推时间规划提高目标预测准确性。

Comments Accepted to RA-L

Risk Map As Middleware: Towards Interpretable Cooperative End-to-end Autonomous Driving for Risk-Aware Planning

风险地图作为中间件：迈向风险感知的可解释协作端到端自动驾驶

Mingyue Lei, Zewei Zhou, Hongchen Li, Jiaqi Ma, Jia Hu

机构 * Key Laboratory of Road and Traffic Engineering of the Ministry of Education, Tongji University（教育部道路与交通工程重点实验室，同济大学） ； UCLA Mobility Lab, University of California, Los Angeles（加州大学洛杉矶分校UCLA移动实验室） 纠错

AI总结 本文提出RiskMM框架，通过风险地图中间件提升自动驾驶的可解释性和风险感知规划能力。

Comments IEEE RA-L

Discovering Optimal Natural Gaits of Dissipative Systems via Virtual Energy Injection

通过虚拟能量注入发现耗散系统的最优自然步态

Korbinian Griesbauer, Davide Calzolari, Maximilian Raff, C. David Remy, Alin Albu-Schäffer

AI总结 本文通过虚拟能量注入技术，发现耗散系统中利用自然动力学的最优自然步态，提升腿部机器人的能量效率和适应性。

Comments Preprint Version, IEEE Robotics and Automation Letters (RA-L), accepted November 2025

An Alignment-Based Approach to Learning Motions from Demonstrations

Alex Cuellar, Christopher K Fourie, Julie A Shah

机构 * Massachusetts Institute of Technology（麻省理工学院） 纠错

Comments 8 pages, 8 figures, originally published in the IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 11, pp. 11912-11919, Nov. 2025

iA*: Imperative Learning-based A* Search for Path Planning

Xiangyu Chen, Fan Yang, Chen Wang

机构 * Spatial AI & Robotics (SAIR) Lab, Institute for Artificial Intelligence and Data Science, Department of Computer Science and Engineering, University at Buffalo（空间人工智能与机器人实验室，人工智能与数据科学研究所，计算机科学与工程系，布法罗大学） 纠错

Journal ref IEEE Robotics and Automation Letters (RA-L), 2025

Reliable Robotic Task Execution in the Face of Anomalies

Bharath Santhanam, Alex Mitrevski, Santosh Thoduka, Sebastian Houben, Teena Hassan

机构 * NEURA Robotics（NEURA机器人公司） ； Chalmers University of Technology（楚姆勒斯技术大学） ； Fraunhofer Institute for Intelligent Analysis and Information Systems（弗劳恩霍夫智能分析与信息系统研究所） ； Institute for Artificial Intelligence and Autonomous Systems (A 2 S)（人工智能与自主系统研究所） 纠错

Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)