期刊&会议
IEEE Robotics and Automation Letters · 期刊 · Robotics
DockAnywhere: 通过新颖的示范生成实现移动操作的数据高效视觉-运动策略学习
机构 * Nanyang Technological University, Singapore（新加坡南洋理工大学） ； Beijing University of Posts and Telecommunications, Beijing, China（北京邮电大学）
AI总结 本文提出DockAnywhere方法，通过解耦基座运动与不变的 manipulation 技能，提升移动操作在不同 docking 点下的视角泛化能力，实验表明其显著提高了策略成功率和泛化能力。
Comments Accepted to RA-L
IROSA: 基于自然语言的交互机器人技能适应
机构 * German Aerospace Center (DLR), Institute of Robotics and Mechatronics (RMC)（德国航空航天中心（DLR）机器人与机电研究所） ； School of Computation, Information and Technology (CIT), Technical University of Munich (TUM)（计算、信息与技术学院（CIT），慕尼黑技术大学）
AI总结 本文提出IROSA框架，利用预训练大语言模型实现开放词汇技能适应，通过工具架构在语言模型与机器人硬件间保持抽象层，无需微调即可通过自然语言指令调整机器人技能。
Comments Accepted IEEE Robotics and Automation Letters (RA-L) journal, 8 pages, 5 figures, 3 tables, 1 listing. Code available: https://github.com/DLR-RM/IROSA
Journal ref IEEE Robotics and Automation Letters (RA-L), 2026
迈向无需微调的VLA部署：通过具身进化扩散实现即插即用的推理时VLA策略引导
机构 * Collaborative and Versatile Robots (CLOVER) Laboratory, T-Stone Robotics Institute, The Chinese University of Hong Kong, Hong Kong（协作与多功能机器人实验室，T-Stone机器人研究所，香港中文大学，香港） ； Φ \Phi -Institute for Physical Human Intelligence（物理人机智能研究所） ； Center for Embodied Artificial Intelligence and Computer Vision, Shenzhen Loop Area Institute, Shenzhen, China（具身人工智能与计算机视觉中心，深圳环园研究院，深圳，中国） ； Department of Advanced Robotics, Istituto Italiano di Tecnologia, Genoa, Italy（先进机器人系，意大利理工学院，热那亚，意大利）
AI总结 本文提出VLA-Pilot方法，通过即插即用的策略引导实现无需微调的零样本部署，提升预训练VLA在不同任务和机器人平台上的表现。
Comments 9 pages, 8 figures, submitted to IEEE RA-L
具有减少曲率的平滑反馈运动规划
机构 * Faculty of Information Technology and Electrical Engineering, University of Oulu（信息科技与电气工程学院，奥卢大学）
AI总结 本文提出一种高效方法，通过系统对齐局部向量场和构造最大星形链，减少路径弯曲，提升机器人运动效率和控制效果。
Comments Accepted for publication in IEEE Robotics and Automation Letters
在线学习增强的高阶自适应安全控制
机构 * Brown University（布朗大学） ； University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
AI总结 本文提出一种基于神经ODE的在线学习增强高阶自适应控制屏障函数，用于提升系统安全性，尤其在复杂时变模型扰动下保持安全距离。
Comments 8 pages, 8 figures, accepted by RA-L
PRIX：从原始像素学习计划以实现端到端自动驾驶
机构 * KTH Royal Institute of Technology（瑞典皇家理工学院） ； SCANIA（斯堪尼亚）
AI总结 PRIX通过使用仅需摄像头数据的端到端驾驶架构，无需BEV表示和LiDAR，直接从原始像素预测安全轨迹，实现了高效且实用的自动驾驶解决方案。
Comments Accepted for Robotics and Automation Letters (RA-L) and will be presented at iROS 2026
面向鲁棒优化的自主动态滑翔飞行固定翼无人机
机构 * Autonomous Robots Lab, NTNU, Norway（挪威科技大学自主机器人实验室） ； Autonomous Systems Lab, ETH Zürich, Zürich 8092, Switzerland（苏黎世联邦理工学院自主系统实验室） ； CSIRO Robotics, Data61, QLD 4069, Australia（澳大利亚联邦科学与工业研究组织机器人技术部，Data61）
AI总结 本文提出一种基于优化的自主动态滑翔框架，通过风场显式表示和经典控制方法实现鲁棒路径跟踪，验证了在风场估计误差下的动态滑翔性能。
Comments Accepted to IEEE Robotics and Automation Letters (RA-L). \c{opyright} 2026 IEEE
REACT3D: 交互式物理3D场景中关节的恢复
机构 * ETH Zurich（苏黎世联邦理工学院） ； Max Planck Institute for Informatics（马克斯·普朗克信息学研究所） ； Microsoft Spatial AI Lab（微软空间人工智能实验室）
AI总结 REACT3D通过零样本框架实现静态3D场景到可交互模拟的转换，解决了标注过程繁琐的问题，提升了多任务应用的兼容性与效率。
Comments Accepted at IEEE Robotics and Automation Letters (RA-L)
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 5, pp. 5954-5961, May 2026
ThermoAct：面向机器人感知与决策的热感知视觉-语言-动作模型
机构 * Dongguk University（东国大学）
AI总结 本文提出一种融合热信息的视觉-语言-动作框架，通过高阶规划器解析自然语言指令并分解为子任务，提升机器人复杂操作的执行效率与安全性。
Comments 2026 RA-L
HOTFLoc++: 端到端分层激光雷达位置识别、重排序及6自由度度量局部化在森林中的应用
机构 * CSIRO Robotics（澳大利亚联邦科学与工业研究组织机器人实验室） ； School of Electrical Engineering and Robotics, Queensland University of Technology (QUT)（昆士兰科技大学电气工程与机器人学院）
AI总结 本文提出HOTFLoc++框架，通过多粒度特征提取提升森林和城市环境中鲁棒性，结合可学习多尺度几何验证减少重排序失败，实现更精确的局部化。
Comments 8 pages, 2 figures, Accepted for publication in IEEE RA-L (2026)
LSGS-Loc: 向大尺度无人机场景下的鲁棒3DGS视觉定位迈进
机构 * School of Geodesy and Geomatics, Wuhan University（武汉大学测绘学院）
AI总结 针对大尺度无人机场景中3DGS视觉定位的鲁棒性问题，提出LSGS-Loc方法，通过引入尺度感知的位姿初始化策略和拉普拉斯可靠性掩膜机制，提升定位精度与鲁棒性。
Comments This paper is under reviewed by RA-L. The copyright might be transferred upon acceptance
渐近有界的3D前沿探索增强与贝叶斯信息增益
机构 * Institute for Systems and Robotics, Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院系统与机器人研究所）
AI总结 本文提出一种基于OctoMap的前沿探索算法，通过策略性正向和逆向传感器建模实现渐近有界的性能，结合贝叶斯回归器估计信息增益，提升计算效率，实验证明在不同空间尺度下总探索时间提升54%。
Comments Submitted for review to IEEE Robotics and Automation Letters (RA-L)
因子化多分辨率哈希网格：用于高效神经辐射场的执行边缘设备
机构 * POSTECH（浦项科技大学） ； KAIST（韩国科学技术院） ； NAVER AI Lab（NAVER AI实验室）
AI总结 本文提出Fact-Hash，一种用于边缘设备神经辐射场训练的参数编码方法，通过融合张量分解与哈希编码技术，提升内存效率和渲染速度，实现高质量3D表示。
Comments Accepted for publication in IEEE Robotics and Automation Letters (RA-L)
Journal ref IEEE Robotics and Automation Letters (RA-L), 2024
MFE：一种具有交互力、压力和热触觉反馈的多模态手外骨骼
机构 * School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）
AI总结 本文提出MFE多模态手外骨骼，通过20自由度捕捉手部姿态，提供力、压力和热觉反馈，提升远程操作系统的感知与交互体验。
Comments 8 pages, 7 figures, 2 tables
Journal ref IEEE Robotics and Automation Letters 11 (2026) 3756-3763
基于连续点位不确定性的几何约束雷达惯性里程计
机构 * Dept. of Mechanical Engineering, SNU（首尔大学机械工程系）
AI总结 本文提出一种结合点位不确定性的几何约束雷达惯性里程计，通过连续轨迹模型估计姿态不确定性，提升在不确定雷达测量下的定位精度和效率。
Comments 8 pages, 8 figures, 6 tables, accepted to RA-L
优先级贝叶斯优化与崩溃反馈
机构 * Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（亚琛工业大学机械工程数据科学研究所） ； aiXopt GmbH（aiXopt 有限公司）
AI总结 本文提出CrashPBO，通过整合用户偏好和崩溃反馈提升参数学习效率，减少实验崩溃并提高数据利用率。
Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4299-4306, April 2026
增强型视觉导航与安全学习控制用于大规模移动机器人
机构 * Tampere University（坦佩雷大学）
AI总结 本文提出一种综合导航与控制框架，通过视觉姿态估计、非线性模型预测控制、深度神经网络控制策略及对数安全模块，确保大规模移动机器人在易滑地形上的稳定性和安全性。
Journal ref M. H. Shahna, P. Mustalahti and J. Mattila, "NMPC-Augmented Visual Navigation and Safe Learning Control for Large-Scale Mobile Robots," in IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 5182-5189, April 2026
OMCL：开放词汇蒙特卡洛定位
机构 * Autonomous Intelligent Systems group, Computer Science Institute VI – Intelligent Systems and Robotics – and the Center for Robotics and the Lamarr Institute for Machine Learning and Artificial Intelligence, University of Bonn（波恩大学自主智能系统组、计算机科学研究所VI – 智能系统与机器人学 –、机器人中心以及拉马尔机器学习和人工智能研究所）
AI总结 本文提出OMCL，结合视觉语言特征扩展蒙特卡洛定位，实现跨模态观测与地图元素关联，通过自然语言描述初始化全局定位，验证了其在室内和室外场景中的泛化能力。
Comments Accepted to IEEE RA-L
在 Attrition（ attrition）下多智能体通信网络的鲁棒地理协调
机构 * Advanced Technology Center, Lockheed Martin Space（洛克希德·马丁航天公司先进技术中心） ； Fu Foundation School of Engineering and Applied Science, Columbia University（哥伦比亚大学傅氏基金工程与应用科学学院） ； Lockheed Martin AI Center, Lockheed Martin Corporation（洛克希德·马丁公司人工智能中心） ； Barnard College, Columbia University（哥伦比亚大学巴纳德学院） ； Dartmouth College（达特茅斯学院）
AI总结 本文提出在极端环境中通过鲁棒任务网络下 attrition（ attrition）问题，利用物理启发的多智能体网络算法实现高可靠性通信，实验表明其在高 attrition 环境下仍能保持高任务 uptime。
Comments 8 pages, 4 figures, 4 tables, accepted to IEEE RA-L
CREST：多机器人仓库货架重排的约束释放执行
机构 * Simon Fraser University（西蒙菲莎大学） ； HEC Montréal（蒙特利尔高等商学院） ； Purdue University（普渡大学）
AI总结 CREST通过在执行过程中主动释放轨迹约束，提升了多机器人仓库货架重排的连续性与效率，实验表明其在减少机器人行驶时间、总执行时间和货架切换次数方面表现优异。
Journal ref 2026 IEEE ROBOTICS AND AUTOMATION LETTERS
基于类分布的主动学习用于自动驾驶中的3D占用预测
机构 * KAIST（韩国科学技术院） ； Seoul National University（首尔大学） ； Kookmin University（国民大学）
AI总结 本文提出一种基于类分布的主动学习框架，通过三种互补标准选择训练样本，以解决自动驾驶中3D占用预测的类别不平衡和标注成本问题，实现在仅42.4%标注数据下达到26.62 mIoU的性能。
Comments IEEE RA-L 2026
Journal ref IEEE Robotics and Automation Letters (2026)
FlexiCup: 无线多模态吸盘 with 双区视觉-触觉感知
机构 * Shenzhen Ubiquitous Data Enabling Key Lab, Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院，深圳泛在数据赋能重点实验室） ； Peng Cheng Laboratory（鹏城实验室）
AI总结 FlexiCup通过无线电子集成双区视觉-触觉传感，实现接触感知操控，验证了传感与驱动解耦的有效性，同时在不同气动原理下均表现出色。
Comments Accepted by IEEE Robotics and Automation Letters (RA-L)
Omni-LIVO：通过光度迁移和ESIKF融合实现鲁棒的多摄像头视觉-惯性-激光雷达里程计
机构 * Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院） ； Advanced Laser Technology Lab of Anhui Province（安徽省先进激光技术实验室） ； Key Laboratory of Space Active Opto-Electronics Technology, Shanghai Institute of Technical Physics, Chinese Academy of Sciences（中国科学院上海技术物理研究所空间主动光电技术重点实验室）
AI总结 Omni-LIVO通过多视角观测充分利用LiDAR几何信息，引入跨视角直接对齐策略和改进的ESIKF，提升多摄像头视觉-惯性-LiDAR里程计的精度和鲁棒性。
Comments Accepted by IEEE Robotics and Automation Letters (RA-L). Early Access version available. This version supersedes all previous versions and is the official accepted manuscript for citation
120分钟与一台笔记本：通过无监督探索和离线强化学习实现极简图像目标导航
机构 * Faculty of Science and Technology, University of Macau（澳门大学科技学院）
AI总结 本文提出MINav方法，通过无监督数据收集与 hindsight 目标重标记，实现高效图像目标导航，在120分钟内使用消费级笔记本完成训练与部署，无需人工干预。
Comments 8 pages, 8 figures, submitted to IEEE Robotics and Automation Letters (RA-L)
一种高效的全视觉-惯性状态初始化闭式解法
机构 * I3A, Universidad de Zaragoza（萨拉戈萨大学I3A研究所）
AI总结 本文提出一种无需非线性优化的闭式初始化方法，通过小旋转和恒速近似保持紧凑公式并平衡精度与初始化延迟，实验表明其初始化误差低于优化方法10-20%，且计算成本降低5倍。
Comments 8 pages, 3 figures, 6 tables. Accepted to RA-L
LILAC：基于语言的物体中心光学流用于开环轨迹生成
机构 * Keio University（庆应义塾大学） ； KDDI Research Inc.（KDDI研究所）
AI总结 本文提出LILAC模型，通过结合视觉与语言信息生成物体中心光学流，并转化为6自由度机械臂轨迹，实验显示其在多个基准和实际物体操作中表现更优。
Comments Accepted to IEEE RA-L
分布鲁棒加速控制屏障过滤器用于高效无人机障碍物避障
AI总结 本文提出分布鲁棒加速控制屏障函数（DR-ACBF）用于高效无人机避障，通过考虑动态和延迟的清晰度处理延迟、执行器限制和障碍物加速度，利用Cantelli紧缩和DR-CVaR提前触发提高安全性，实现实时执行。
Comments This work has been accepted for publication in IEEE RA-L
机会约束迭代线性二次随机博弈
机构 * Institute for Interdisciplinary Sciences, Tsinghua University（清华大学交叉信息研究院） ； Tier IV, Inc.（Tier IV公司） ； Shanghai Qizhi Institute（上海期智研究院）
AI总结 本文提出CCILQGames算法，通过增广拉格朗日方法解决机会约束随机博弈问题，在自动驾驶场景中验证了其生成安全交互策略的能力。
Comments Updated version of the published IEEE RA-L paper. Assumption 1 and strategy space definition revised to make the information structure explicit. Theorem 1 assumptions are more explict. No changes to algorithm or experimental results
重新思考透明物体抓取：基于单目深度估计和实例掩码的深度补全
机构 * State Key Laboratory of Robotics and System at Harbin Institute of Technology（哈尔滨工业大学机器人系统国家重点实验室） ； Lanzhou University of Technology（兰州理工大学） ； Department of Computer Science（计算机科学系） ； University of Liverpool（利物浦大学）
AI总结 本文提出ReMake框架，通过实例掩码和单目深度估计提升透明物体的深度补全精度，改进真实场景下的抓取可靠性。
Journal ref IEEE Robotics and Automation Letters ( Volume: 11, Issue: 5, May 2026)
未知环境中的导航数据扩展
机构 * Signal Processing Research Centre, Faculty of Information Technology and Communication Sciences, Tampere University（信号处理研究中心，信息科技与通信科学学院，塔尔皮奥大学） ； Graduate School of Information Sciences, Tohoku University（信息科学研究生院，东北大学） ； Faculty of Engineering, Turku University of Applied Sciences（工程学院，图尔库应用科学大学）
AI总结 研究通过大规模数据和多样性提升未知环境导航性能，发现数据多样性比数量更重要，且简单回归模型在嘈杂数据中表现更优。
Comments Robotics and Automation Letters (RA-L) 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈