IEEE RA-L

Approximating Global Contact-Implicit MPC via Sampling and Local Complementarity

通过采样和局部互补性近似全局接触-隐式MPC

Sharanya Venkatesh, Bibit Bianchini, Alp Aydinoglu, William Yang, Michael Posa

机构 * GRASP Laboratory at the University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Boston Dynamics（波士顿动力） ； Amazon Robotics（亚马逊机器人技术） 纠错

AI总结 本文提出一种结合局部互补性控制与全局采样方法的控制器，用于实时灵活操作。通过在每个控制循环中先进行无接触阶段再进行接触密集阶段，实现对非凸物体的精确非抓取操作。

Comments S.V. and B.B. contributed equally to this work. Accepted to RA-L 2025; presented at ICRA 2026. Project page: https://approximating-global-ci-mpc.github.io

Journal ref IEEE Robotics and Automation Letters, volume 10, number 11, pages 12117-12124, September 2025

SOCC-ICP: Semantics-Assisted Odometry based on Occupancy Grids and ICP

SOCC-ICP：基于占用网格和ICP的语义辅助里程计

Johannes Scherer, Sebastian Hirt, Henri Meeß

机构 * Fraunhofer IVI（弗劳恩霍夫研究所） ； Technische Hochschule Ingolstadt（图林根应用技术大学） ； Ancud IT-Beratung GmbH（安库德IT咨询公司） 纠错

AI总结 本文提出SOCC-ICP框架，结合语义占用网格映射与激光雷达扫描对齐，通过几何与语义统计实现自适应ICP，提升在未知环境中的姿态估计性能。

Comments 9 pages, 3 figures, Accepted May 2026 for publication in IEEE Robotics and Automation Letters (RA-L)

CaMeRL: Collision-Aware and Memory-Enhanced Reinforcement Learning for UAV Navigation in Multi-Scale Obstacle Environments

CaMeRL：面向多尺度障碍环境的无人机导航碰撞感知与记忆增强强化学习

Hong Hong, Feiyu Liao, Yongheng Liang, Boning Zhang, Haitao Wang, Hejun Wu

机构 * School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） ； Guangdong Key Laboratory of Big Data Analysis and Processing（广东省大数据分析与处理重点实验室） 纠错

AI总结 针对无人机多尺度障碍导航中障碍尺度变化被忽视的问题，提出CaMeRL框架，通过碰撞感知和记忆增强提升对小障碍物的识别与复杂环境的导航能力。

Comments 8 pages, 7 figures. Submitted to IEEE Robotics and Automation Letters

Safe Bayesian Optimization for Complex Control Systems via Additive Gaussian Processes

通过加性高斯过程实现复杂控制系统安全贝叶斯优化

Hongxuan Wang, Xiaocong Li, Lihao Zheng, Adrish Bhaumik, Prahlad Vadakkepat

机构 * National University of Singapore（新加坡国立大学） ； SIMTech, A*STAR ； CUHK, Shenzhen（香港中文大学（深圳）） 纠错

AI总结 本文提出SafeCtrlBO方法，通过加性高斯过程核减少样本复杂度，实现多耦合控制器的同时优化，实验显示在较少硬件评估下达到高性能参数并保证安全。

Comments The shorter version has been accepted by IEEE Robotics and Automation Letters. This is the full version

MonoSpheres: Large-Scale Monocular SLAM-Based UAV Exploration through Perception-Coupled Mapping and Planning

MonoSpheres：通过感知耦合映射与规划实现大规模单目SLAM基于的无人机探索

Tomáš Musil, Matěj Petrlík, Martin Saska

机构 * Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague（捷克技术大学布拉格分校电子工程系控制系） 纠错

AI总结 本文提出一种基于单目视觉的自主探索方法，通过考虑稀疏单目SLAM前端的特性，实现大规模无结构室内和室外3D环境的安全覆盖，展示了稀疏单目深度数据在考虑视差要求和纹理缺失表面可能性下的前沿探索可行性。

Comments 8 pages, 9 figures, accepted to IEEE Robotics and Automation Letters

EFGCL: Learning Dynamic Motion through Spotting-Inspired External Force Guided Curriculum Learning

EFGCL：通过受启发于体操的外部力引导课程学习学习动态运动

Keita Yoneda, Kento Kawaharazuka, Kei Okada

机构 * Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo（机械信息学系，信息科学和技术研究生院，东京大学） ； AI Center, Graduate School of Information Science and Technology, The University of Tokyo（人工智能中心，信息科学和技术研究生院，东京大学） 纠错

AI总结 本文提出EFGCL，一种基于物理指导原理的强化学习方法，通过引入外部辅助力加速四足机器人学习跳跃等动态全身运动，克服传统RL方法的不足。

Comments Accepted at RA-L 2026, website - https://keitayoneda.github.io/kleiyn-efgcl/, YouTube - https://youtu.be/sFK00hm14No/

Journal ref IEEE Robotics and Automation Letters (RA-L) 2026

DexWrist: A Robotic Wrist for Constrained and Dynamic Manipulation

DexWrist：一种用于受限和动态操作的机械腕

Martin Peticco, Gabriella Ulloa, John Marangola, Nitish Dashora, Pulkit Agrawal

机构 * Improbable AI Lab, Massachusetts Institute of Technology（Improbable AI实验室，麻省理工学院） 纠错

AI总结 DexWrist通过结合准直接驱动和解耦并行运动机制，在紧凑设计中实现高扭矩和动态接触任务，提升了受限环境中的操作性能。

Comments 9 pages, 8 figures. Submitted to RA-L 2026

Beyond Self-Play: Hierarchical Reasoning for Continuous Motion in Closed-Loop Traffic Simulation

超越自我博弈：闭合环路交通模拟中的层次化推理

Weifan Zhang, Xiaofeng Zhao, Adel Bazzi, Mingrui Li, Yifan Wei, Dengfeng Sun

机构 * School of Aeronautics and Astronautics, Purdue University（普渡大学航空航天学院） 纠错

AI总结 本文提出一种层次化架构，结合高层多智能体交互推理与底层连续轨迹生成，以提升闭合环路交通模拟中代理的可扩展性和行为真实性，实验表明其在控制平滑性和安全性方面优于自我博弈和被动模仿基线。

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

LineRides: Line-Guided Reinforcement Learning for Bicycle Robot Stunts

LineRides: 基于线引导的强化学习用于自行车机器人特技

Seungeun Rho, Shamel Fahmi, Jeonghwan Kim, Arianna Ilvonen, Sehoon Ha, Gabriel Nelson

机构 * RAI Institute（RAI研究院） ； Georgia Institute of Technology（佐治亚理工学院） 纠错

AI总结 本文提出LineRides框架，通过空间引导线和稀疏关键姿态实现自行车机器人自主学习多样特技行为，无需示范或显式时间信息。

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

CSR: Infinite-Horizon Real-Time Policies with Massive Cached State Representations

CSR：具有大规模缓存状态表示的无限时间 horizon 实时策略

Robin Karlsson, Go Suzui

机构 * GODOT Inc（GODOT公司） ； Graduate School of Informatics, Nagoya University（名古屋大学信息研究生院） 纠错

AI总结 本文提出CSR框架，通过优化KV缓存重用和异步状态协调算法，实现大规模LLM在机器人中的实时应用，显著降低延迟并提升性能。

Comments Extended Technical Report for Paper Accepted to IEEE RA-L

Task-Adaptive Admittance Control for Human-Quadrotor Cooperative Load Transportation with Dynamic Cable-Length Regulation

任务自适应阻抗控制用于人机四旋翼协作负载运输与动态缆长调节

Shuai Li, Ton T. H. Duong, Damiano Zanotto

机构 * Dept. of Mechanical Engineering, Stevens Institute of Technology（机械工程系，史蒂文斯理工学院） 纠错

AI总结 本文提出一种任务自适应阻抗控制器，用于安全高效的四旋翼协作负载运输，通过主动控制的绞盘实现动态缆长调节，提升系统响应性和运动平滑度。

Comments Preprint of accepted manuscript to be published in IEEE Robotics and Automation Letters (RA-L)

Neural Power-Optimal Magnetorquer Solution for Multi-Agent Formation and Attitude Control

神经电力最优磁力矩器解决方案用于多智能体编队与姿态控制

Yuta Takahashi, Shin-ichiro Sakai

AI总结 本文提出基于学习的电流计算模型，用于实现多智能体编队与姿态控制的电力最优磁场交互，通过顺序凸优化和多层感知机模型实现连续且最优的电流解决方案。

Comments IEEE Robotics and Automation Letters. Preprint Version. Accepted April, 2026 (DOI: https://doi.org/10.1109/LRA.2026.3692064)

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

HiPAN: Hierarchical Posture-Adaptive Navigation for Quadruped Robots in Unstructured 3D Environments

HiPAN：四足机器人在非结构化3D环境中的分层姿态自适应导航

Jeil Jeong, Minsung Yoon, Seokryun Choi, Heechan Shin, Taegeun Yang, Sung-eui Yoon

机构 * School of Computing, KAIST（韩国科学技术院计算机学院） 纠错

AI总结 HiPAN通过分层设计和路径引导课程学习，提升四足机器人在复杂3D环境中的导航效率与适应性，实现实时深度图像驱动的策略规划与姿态自适应控制。

Comments Accepted to RA-L 2026 | Project page: https://sgvr.kaist.ac.kr/~Jeil/project_page_HiPAN/

Distributional Stability of Tangent-Linearized Gaussian Inference on Smooth Manifolds

光滑流形上 tangent-线性化高斯推断的分布稳定性

Junghoon Seo, Hakjin Lee, Jaehoon Sim

机构 * AI Robot Team, PIT IN Corp.（AI机器人团队，PIT IN公司） 纠错

AI总结 研究光滑流形上 tangent-线性化高斯推断的分布稳定性，推导出非渐近的W2稳定性界，提供闭式诊断方法以切换单图表线性化到多图表或采样推断。

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

A Virtual Mechanical Interaction Layer Enables Resilient Human-to-Robot Object Handovers

虚拟机械交互层实现人机物体传递的鲁棒性

Omar Faris, Sławomir Tadeja, Fulvio Forni

机构 * Department of Engineering, University of Cambridge（剑桥大学工程系） ； Department of Mechanical Engineering, Massachusetts Institute of Technology（麻省理工学院机械工程系） 纠错

AI总结 本文提出虚拟模型控制层和增强现实技术，提升人机物体传递过程中对物体姿态变化的适应能力，并通过实验验证了其在复杂不确定性下的鲁棒性。

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

Hybrid Diffusion for Simultaneous Symbolic and Continuous Planning

混合扩散用于同时符号化和连续规划

Sigmund Hennum Høeg, Aksel Vaaler, Chaoqi Liu, Olav Egeland, Yilun Du

机构 * Department of Mechanical and Industrial Engineering, Norwegian University of Science and Technology (NTNU)（挪威科学技术大学机械与工业工程系） ； University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Harvard University（哈佛大学） 纠错

AI总结 本文提出混合扩散方法，结合离散变量扩散和连续扩散，提升机器人长周期任务规划性能，实现符号计划与连续轨迹生成的协同优化。

Comments 10 pages, 11 figures. This work has been submitted to the IEEE for possible publication. See https://sigmundhh.com/hybrid_diffusion/ for the project website

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4489-4496, April 2026

Attention-Based Neural-Augmented Kalman Filter for Legged Robot State Estimation

基于注意力的神经增强卡尔曼滤波器用于四足机器人状态估计

Seokju Lee, Kyung-Soo Kim

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

AI总结 本文提出基于注意力的神经增强卡尔曼滤波器(AttenNKF)用于四足机器人状态估计，通过神经补偿器补偿足部滑动引起的误差，提升滑动条件下估计性能。

Comments 8 pages, 6 figures, Accepted to IEEE Robotics and Automation Letters (RA-L)

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4122-4129, April 2026

ATRS: Adaptive Trajectory Re-splitting via a Shared Neural Policy for Parallel Optimization

ATRS: 一种通过共享神经策略实现的自适应轨迹重划分用于并行优化

Jiajun Yu, Guodong Liu, Li Wang, Pengxiang Zhou, Wentao Liu, Yin He, Chao Xu, Fei Gao, Yanjun Cao

机构 * IEEE Robotics and Automation Letters（IEEE机器人与自动化 letters） 纠错

AI总结 ATRS通过共享深度强化学习策略改进并行ADMM循环，实现自适应调整，提升收敛速度和计算效率，适用于大规模离线全局规划和实时在线重规划。

Comments 8 pages, submitted to IEEE Robotics and Automation Letters

Kaiwu: A Multimodal Manipulation Dataset and Framework for Robot Learning and Human-Robot Interaction

Kaiwu：一种用于机器人学习和人机交互的多模态操控数据集和框架

Shuo Jiang, Haonan Li, Ruochen Ren, Yanmin Zhou, Zhipeng Wang, Bin He

AI总结 本文提出Kaiwu多模态数据集，解决复杂装配场景中缺失的真实同步多模态数据问题，通过20名受试者和30个交互对象，记录11,664个整合动作实例，支持机器人学习、精细操作、人类意图研究和人机协作。

Comments 8 pages, 5 figures, Submitted to IEEE Robotics and Automation Letters (RAL)

Journal ref IEEE Robotics and Automation Letters, vol. 10, no. 11, pp. 11482-11489, Nov. 2025

MISTY: High-Throughput Motion Planning via Mixer-based Single-step Drifting

MISTY：基于混合器的单步漂移高吞吐量运动规划

Yining Xing, Zehong Ke, Yiqian Tu, Zhiyuan Liu, Wenhao Yu, Jianqiang Wang

机构 * School of Vehicle and Mobility, Tsinghua University（清华大学车辆与移动系统学院） ； State Key Laboratory of Intelligent Green Vehicle and Mobility, Tsinghua University（清华大学智能绿色车辆与移动系统国家重点实验室） 纠错

AI总结 MISTY通过混合器单步漂移方法实现高吞吐量运动规划，利用变分自编码器和轻量级MLP-Mixer解码器，结合隐空间漂移损失，提升轨迹生成效率与鲁棒性。

Comments 8 pages, 4 figures, 3 tables. Submitted to IEEE Robotics and Automation Letters (RA-L)

X-IONet: Cross-Platform Inertial Odometry Network for Pedestrian and Legged Robot

X-IONet：跨平台惯性里程计网络用于行人和四足机器人

Dehan Shen, Changhao Chen

机构 * Intelligent Transportation Thrust, The Hong Kong University of Science and Technology (Guangzhou)（科技大学（广州）智能交通研究组） ； Intelligent Transportation Thrust and Artificial Intelligence Thrust, The Hong Kong University of Science and Technology (Guangzhou)（科技大学（广州）智能交通研究组和人工智能研究组） ； Division of Emerging Interdisciplinary Areas, The Hong Kong University of Science and Technology（科技大学新兴交叉领域研究部） 纠错

AI总结 X-IONet通过单IMU实现跨平台惯性里程计，采用规则专家选择模块和双阶段注意力架构，提升四足机器人和行人导航的精度与鲁棒性。

Comments RA-L Accepted

Unveiling Uncertainty-Aware Autonomous Cooperative Learning Based Planning Strategy

揭示面向不确定性的自主协作学习规划策略

Shiyao Zhang, Liwei Deng, Shuyu Zhang, Weijie Yuan, Hong Zhang

AI总结 本文提出基于深度强化学习的自主协作规划框架DRLACP，通过门控循环单元改进SAC算法，有效应对多车辆协作规划中的感知、规划和通信不确定性，实验证明其在不同场景下优于基线方法。

Comments Accepted by IEEE RA-L

Visual-Tactile Peg-in-Hole Assembly Learning from Peg-out-of-Hole Disassembly

基于视觉-触觉的 peg-in-hole 组装学习：从 peg-out-of-hole 解组装中学习

Yongqiang Zhao, Xuyang Zhang, Zhuo Chen, Matteo Leonetti, Emmanouil Spyrakos-Papastavridis, Shan Luo

机构 * Department of Engineering, King’s College London（工程系，伦敦国王学院） ； Department of Informatics, King’s College London（信息学院，伦敦国王学院） 纠错

AI总结 本文提出一种基于视觉-触觉的 peg-in-hole 组装学习框架，利用其逆过程 peg-out-of-hole 解组装来促进组装学习。通过将两者统一为部分可观测马尔可夫决策过程，利用解组装策略的轨迹反向和随机化提供专家数据，从而提升组装任务的成功率。

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 6, pp. 6712-6719, June 2026

MacroNav: Multi-Task Context Representation Learning Enables Efficient Navigation in Unknown Environments

MacroNav：多任务上下文表示学习实现未知环境中的高效导航

Kuankuan Sima, Longbin Tang, Zhenyu Yang, Haozhe Ma, Lin Zhao

机构 * Department of Electrical and Computer Engineering（电子与计算机工程系） ； Department of Mechanical Engineering（机械工程系） ； School of Computing（计算学院） ； National University of Singapore（新加坡国立大学） 纠错

AI总结 本文提出MacroNav框架，通过多任务自监督学习和强化学习策略，实现高效导航。实验表明其在成功率和路径长度加权成功率上优于现有方法，且计算效率高。

Comments Accepted by IEEE Robotics and Automation Letters

Zero to Autonomy in Real-Time: Online Adaptation of Dynamics in Unstructured Environments

从零到自主：在无结构环境中动态的在线适应

William Ward, Sarah Etter, Jesse Quattrociocchi, Christian Ellis, Adam J. Thorpe, Ufuk Topcu

机构 * Oden Institute for Computational Engineering & Science, University of Texas at Austin（德纳学院计算工程与科学研究所，德克萨斯大学奥斯汀分校） ； Department of Computer Science, University of Texas at Austin（计算机科学系，德克萨斯大学奥斯汀分校） ； DEVCOM Army Research Laboratory（陆军研究实验室） 纠错

AI总结 本文提出了一种结合函数编码器和递推最小二乘法的在线适应方法，通过流式里程计更新潜变量，实现实时动态适应，提升在无结构环境中的安全性和规划效率。

Comments Initial submission to RA-L

GaussianFlow SLAM: Monocular Gaussian Splatting SLAM Guided by GaussianFlow

GaussianFlow SLAM：基于GaussianFlow的单目Gaussian Splatting SLAM

Dong-Uk Seo, Jinwoo Jeon, Eungchang Mason Lee, Hyun Myung

机构 * School of Electrical Engineering, KAIST (Korea Advanced Institute of Science and Technology)（韩国科学技术院电子工程学院） 纠错

AI总结 本文提出GaussianFlow SLAM，通过光学流引导场景结构和相机姿态优化，提升单目SLAM的映射质量和跟踪精度。

Comments 8 pages, 5 figures, 7 tables, accepted to IEEE RA-L

NeuroMesh: A Unified Neural Inference Framework for Decentralized Multi-Robot Collaboration

NeuroMesh：一种用于去中心化多机器人协作的统一神经推理框架

Yang Zhou, Yash Shetye, Long Quang, Devon Super, Jesse Milzman, Manohari Goarin, Aditya Azad, Devang Sunil Dhake, Jeffery Mao, Carlos Nieto-Granda, Giuseppe Loianno

机构 * New York University（纽约大学） ； U.S. Army Combat Capabilities Development Command, Army Research Laboratory（美国陆军作战能力发展司令部，陆军研究实验室） ； Vanderbilt University（范德比尔特大学） ； University of California Berkeley, Department of Electrical Engineering and Computer Sciences（加州大学伯克利分校，电气工程与计算机科学系） 纠错

AI总结 本文提出NeuroMesh框架，通过统一的管道标准化观察编码、消息传递、聚合和任务解码，解决异构机器人部署多机器人模型的挑战，支持混合GPU/CPU推理并在不同任务结构中展示鲁棒性。

Comments 8 page, 8 figures, Accepted at the IEEE Robotics Automation Letter (RA-L)