IEEE RA-L

HERE: Hierarchical Active Exploration of Radiance Field with Epistemic Uncertainty Minimization

HERE：基于证据深度学习的辐射场分层主动探索

Taekbeom Lee, Dabin Kim, Youngseok Jang, H. Jin Kim

机构 * Department of Aerospace Engineering, Seoul National University（航空航天工程系，首尔国立大学） 纠错

AI总结 本文提出HERE框架，通过主动学习策略生成相机轨迹，结合证据深度学习量化epistemic不确定性，提升3D场景重建的精度和效率。

Comments Accepted to IEEE RA-L. The first two authors contributed equally

ContractionPPO: Certified Reinforcement Learning via Differentiable Contraction Layers

ContractionPPO：通过可微收缩层实现认证强化学习

Vrushabh Zinage, Narek Harutyunyan, Eric Verheyden, Fred Y. Hadaegh, Soon-Jo Chung

机构 * California Institute of Technology（加州理工学院） ； Brown University（布朗大学） 纠错

AI总结 ContractionPPO通过在PPO中引入依赖状态的收缩度量层，实现四足机器人鲁棒且可认证的稳定控制，解决了高维接触丰富系统中参考轨迹设计的挑战。

Comments Accepted to RA-L journal

Dynamic-ICP: Doppler-Aware Iterative Closest Point Registration for Dynamic Scenes

动态ICP：针对动态场景的多普勒感知迭代最近点配准

Dong Wang, Daniel Casado Herraez, Stefan May, Andreas Nüchter

机构 * Julius-Maximilians-Universität Würzburg（乌尔姆-约亨大学） ； Zentrum für Telematik e.V.（电信研究中心） ； Nuremberg Institute of Technology Georg Simon Ohm（纽伦堡技术学院 Georg Simon Ohm） ； University of Bonn（波恩大学） 纠错

AI总结 本文提出动态ICP方法，通过多普勒速度估计自身运动、动态物体聚类、常速模型预测动态点及结合点到平面残差与多普勒残差的紧凑目标，实现动态场景下的鲁棒配准。

Comments 8 pages, 5 figures

Journal ref IEEE Robotics and Automation Letters, 2026

Gaze-Aware Task Progression Detection Framework for Human-Robot Interaction Using RGB Cameras

基于RGB摄像头的 gaze-aware 任务进度检测框架用于人机交互

Linlin Cheng, Koen Hindriks, Artem V. Belopolsky

机构 * Department of Computer Science, Vrije Universiteit Amsterdam（范德比尔特大学阿姆斯特丹计算机科学系） ； Department of Movement Sciences, Vrije Universiteit Amsterdam（范德比尔特大学阿姆斯特丹运动科学系） 纠错

AI总结 本文提出一种无需校准的框架，利用RGB摄像头和先进的眼动估计技术，通过任务界面与机器人面部的注意力模式检测任务进度，实验表明其在任务完成检测中准确率达77.6%。

Comments 9 pages, 7 figures. This article has been accepted for publication in IEEE Robotics and Automation Letters

DefVINS: Visual-Inertial Odometry for Deformable Scenes

DefVINS：用于变形场景的视觉-惯性里程计

Samuel Cerezo, Javier Civera

机构 * Departamento de Informática e Ingeniería de Sistemas, Universidad de Zaragoza（信息与系统工程系，萨拉戈萨大学） 纠错

AI总结 本文提出DefVINS，一种针对变形场景的视觉-惯性里程计，通过分解里程状态为刚性IMU锚定部分和非刚性场景变形图，解决传统VIO对变形场景的不足。同时引入VIMandala基准测试集，并通过实验验证其优于传统方法。

Comments 4 figures, 2 tables. Submitted to RA-L

4D Radar-Inertial Odometry based on Gaussian Modeling and Multi-Hypothesis Scan Matching

基于高斯建模和多假设扫描匹配的4D雷达-惯性里程计

Fernando Amodeo, Luis Merino, Fernando Caballero

机构 * Service Robotics Laboratory, Universidad Pablo de Olavide（服务机器人实验室， Pablo de Olavide 大学） 纠错

AI总结 本文提出基于高斯分布的4D雷达场景表示方法，通过全局优化提升注册精度，并通过多假设优化避免局部最优，实验表明其在雷达-惯性里程计任务中表现优异。

Comments Our code and results can be publicly accessed at: https://github.com/robotics-upo/gaussian-rio-cpp Accepted for publication in IEEE Robotics and Automation Letters

GNIO: Gated Neural Inertial Odometry

GNIO: 基于门控的神经惯性里程计

Dapeng Feng, Yizhen Yin, Zhiqiang Chen, Yuhua Qi, Hongbo Chen

机构 * Sun Yat-sen University（中山大学） ； The University of Hong Kong（香港大学） 纠错

AI总结 本文提出GNIO，一种基于学习的框架，通过显式建模运动有效性和上下文，减少惯性导航中的漂移。采用可学习的Motion Bank和门控预测头，提升在复杂运动转换中的表现。

Comments Submitted to IEEE Robotics and Automation Letters

PerlAD: Towards Enhanced Closed-loop End-to-end Autonomous Driving with Pseudo-simulation-based Reinforcement Learning

PerlAD：基于伪模拟的强化学习在闭环端到端自动驾驶中的应用

Yinfeng Gao, Qichao Zhang, Deqing Liu, Zhongpu Xia, Guang Li, Kun Ma, Guang Chen, Hangjun Ye, Long Chen, Da-Wei Ding, Dongbin Zhao

机构 * School of Automation and Electrical Engineering, University of Science and Technology Beijing（北京科技大学自动化与电气工程学院） ； Xiaomi EV（小牛电动车） ； State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所多模态人工智能系统国家重点实验室） 纠错

AI总结 PerlAD通过伪模拟强化学习方法解决闭环端到端自动驾驶中训练与现实需求不匹配的问题，利用向量空间构建伪模拟环境，结合预测世界模型和分层解耦规划器，实现高效训练和规划，实验表明其在Bench2Drive和DOS基准上均表现优异。

Comments Accepted by IEEE RA-L. Submitted: 2025.12.2; Revised: 2026.2.4; Accepeted: 2026.3.7

ToMPC: Task-oriented Model Predictive Control via ADMM for Safe Robotic Manipulation

为安全高效的机器人操作而设计的基于ADMM的任务导向模型预测控制（ToMPC）

Xinyu Jia, Wenxin Wang, Jun Yang, Yongping Pan, Haoyong Yu

AI总结 本文提出一种基于ADMM的任务导向模型预测控制框架，用于安全高效的机器人操作。该框架结合碰撞自由运动和机器人环境交互，利用运动学冗余提高障碍环境下的操作效率。

Comments 8 pages, 10 figures, accepted by IEEE Robotics and Automation Letters (RAL)

RadarGaussianDet3D: Gaussian Representation-based Real-time 3D Object Detection with 4D Automotive Radars

RadarGaussianDet3D: 基于高斯表示的实时3D目标检测与4D汽车雷达

Weiyi Xiong, Bing Zhu, Zewei Zheng

AI总结 本文提出RadarGaussianDet3D，通过高斯表示提升4D雷达的3D目标检测性能，采用点高斯编码器和3D高斯点划技术生成密集特征图，结合新的高斯损失函数实现更高效的检测与推理。

Comments Accepted by IEEE Robotics and Automation Letters

A Photorealistic Dataset and Vision-Based Algorithm for Anomaly Detection During Proximity Operations in Lunar Orbit

面向月球轨道近距操作的逼真数据集和基于视觉的异常检测算法

Selina Leveugle, Chang Won Lee, Svetlana Stolpner, Chris Langley, Paul Grouchy, Steven Waslander, Jonathan Kelly

机构 * Space and Terrestrial Autonomous Robotic Systems (STARS) Laboratory at the University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所（UTIAS）空间与地面自主机器人系统实验室） ； Toronto Robotics and AI Laboratory (TRAIL) at the University of Toronto Institute for Aerospace Studies (UTIAS)（多伦多大学航空航天研究所（UTIAS）多伦多机器人与人工智能实验室） ； MDA Space Inc.（MDA航天公司） 纠错

AI总结 本文提出MRAD算法，通过月球轨道合成数据集ALLO实现空间域异常检测，展现算法在像素和图像层面的高检测性能，推动空间操作中鲁棒的异常检测方法发展。

Comments In IEEE Robotics and Automation Letters (RA-L) and presented at the IEEE International Conference on Robotics and Automation (ICRA'26), 1-5 Jun. 2026, Vienna, Austria

Journal ref IEEE Robotics and Automation Letters (RA-L), Vol. 11, No. 3, pp. 2418 - 2415, Mar. 2026

Warped Hypertime Representations for Long-term Autonomy of Mobile Robots

扭曲的超时间表示用于移动机器人的长期自主性

Tomas Krajnik, Tomas Vintr, Sergi Molina, Jaime P. Fentanes, Grzegorz Cielniak, Tom Duckett

机构 * Artificial Intelligence Center, Faculty of Electrical Engineering, Czech Technical University（人工智能中心，电气工程系，捷克技术大学） ； Lincoln Centre for Autonomous Systems, University of Lincoln（自主系统林肯中心，林肯大学） ； Technical University of Cartagena（卡塔赫纳技术大学） 纠错

AI总结 本文提出了一种将时间引入移动机器人中离散和连续空间表示的新方法，通过建模由人类活动引起的长期伪周期性变化。该方法通过扩展空间模型，引入一组扭曲维度以表示观测到的变化的周期性，从而实现对离散和连续空间表示未来状态的预测。

Journal ref Robotics and Automation Letters, 2019

A Causal Approach to Predicting and Improving Human Perceptions of Social Navigation Robots

一种用于预测和提升人类对社交导航机器人类别感知的因果方法

Maximilian Diehl, Nathan Tsoi, Gustavo Chavez, Karinne Ramirez-Amaro, Marynel Vázquez

AI总结 本文提出了一种因果贝叶斯网络，用于预测和提升人类对社交导航机器人的感知，通过组合搜索优化导航行为，显著提高机器人能力感知。

Comments 8 pages, to be submitted to RA-L

ManiVID-3D: Generalizable View-Invariant Reinforcement Learning for Robotic Manipulation via Disentangled 3D Representations

ManiVID-3D: 通用的视角不变强化学习用于机器人操作的解耦3D表示

Zheng Li, Pei Qu, Yufei Jia, Shihui Zhou, Haizhou Ge, Jiahang Cao, Jinni Zhou, Guyue Zhou, Jun Ma

AI总结 ManiVID-3D通过解耦3D表示实现视角不变的强化学习，提升机器人操作在视角变化下的鲁棒性和效率。

Comments Accepted to RA-L. Project website: https://zheng-joe-lee.github.io/manivid3d/

Inference-Time Enhancement of Generative Robot Policies via Predictive World Modeling

生成式预测控制：通过预测世界建模增强推理时间的机器人策略

Han Qi, Haocheng Yin, Aris Zhu, Yilun Du, Heng Yang

AI总结 GPC通过预测世界建模在推理时间提升机器人策略，结合生成先验与前瞻性预测，实现测试时间适应，优于行为克隆并与其他基线方法相媲美。

Comments Acceptance to IEEE Robotics and Automation Letters. Website: https://computationalrobotics.seas.harvard.edu/GPC

Hierarchical Task Model Predictive Control for Sequential Mobile Manipulation Tasks

分层任务模型预测控制用于连续移动操作任务

Xintong Du, Siqi Zhou, Angela P. Schoellig

机构 * Learning Systems and Robotics Lab（学习系统与机器人实验室） ； Technical University of Munich（慕尼黑技术大学） ； University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所） ； University of Toronto Robotics Institute（多伦多大学机器人研究所） ； Munich Institute of Robotics and Machine Intelligence（慕尼黑机器人与机器智能研究所） ； Vector Institute for Artificial Intelligence（人工智能向量研究所） 纠错

AI总结 本文提出了一种分层任务模型预测控制框架，通过利用机器人冗余性，提高了任务序列执行的性能和反应性，实验显示在任务变化和参考变化情况下，轨迹跟踪性能提升了42%。

Comments 8 pages, Published in IEEE Robotics and Automation Letters ( Volume: 9, Issue: 2, February 2024)

Open-World Task and Motion Planning via Vision-Language Model Generated Constraints

开放世界任务与运动规划 via 视觉-语言模型生成的约束

Nishanth Kumar, William Shen, Fabio Ramos, Dieter Fox, Tomás Lozano-Pérez, Leslie Pack Kaelbling, Caelan Reed Garrett

机构 * NVIDIA Research（NVIDIA研究） ； MIT CSAIL 纠错

AI总结 本文提出OWL-TAMP方法，通过整合视觉-语言模型生成的约束，提升开放世界任务与运动规划的性能，实现对自然语言目标的处理能力。

Comments A version of this paper appears in IEEE Robotics and Automation Letters (RA-L) Volume 11, Issue 3

Automated Layout and Control Co-Design of Robust Multi-UAV Transportation Systems

多无人机运输系统鲁棒布局与控制协同设计

Carlo Bosio, Mark W. Mueller

AI总结 本文提出了一种协同优化多无人机运输系统布局与控制的方法，通过优化推力模块排列提升系统鲁棒性和飞行精度。

Comments 7 pages, 7 figures, journal paper (IEEE RA-L)

A Distributional Treatment of Real2Sim2Real for Object-Centric Agent Adaptation in Vision-Driven Deformable Linear Object Manipulation

基于分布的实-仿-实方法用于视觉驱动的可变形线性物体操控中的对象中心智能体适应

Georgios Kamaras, Subramanian Ramamoorthy

机构 * School of Informatics, The University of Edinburgh（信息学院，爱丁堡大学） 纠错

AI总结 本文提出基于分布的实-仿-实方法，通过视觉感知操控可变形线性物体，利用无需模型推断进行域随机化训练，实现无微调的现实应用。

Journal ref In IEEE Robotics and Automation Letters, Volume 10, Issue 8, August 2025, Pages 8075-8082

Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots

四足机器人负载运输的间接自适应律预测控制

Leila Amanzadeh, Taizoon Chunawala, Randall T. Fawcett, Alexander Leonessa, Kaveh Akbari Hamed

机构 * Department of Mechanical Engineering, Virginia Tech（机械工程系，弗吉尼亚理工学院） 纠错

AI总结 本文提出一种基于间接自适应律的预测控制框架，用于四足机器人在复杂地形中稳健运输未知负载。

Comments 8 pages, 6 figures. Published in IEEE Robotics and Automation Letters

Journal ref IEEE Robotics and Automation Letters, vol. 9, no. 11, pp. 10359-10366, Nov. 2024

CuriousBot: Interactive Mobile Exploration via Actionable 3D Relational Object Graph

CuriousBot: 通过可操作的3D关系物体图进行交互式移动探索

Yixuan Wang, Leonor Fermoselle, Tarik Kelestemur, Jiuguang Wang, Yunzhu Li

机构 * School of Engineering and Applied Science, Columbia University（工程与应用科学学院，哥伦比亚大学） ； Robotics and AI Institute（机器人与人工智能研究所） 纠错

AI总结 CuriousBot通过可操作的3D关系物体图实现交互式移动探索，优于仅依赖视觉-语言模型的方法。

Comments Accepted to IEEE Robotics and Automation Letters (RA-L). Project Page: https://curiousbot.theaiinstitute.com/

From Pixels to Predicates: Learning Symbolic World Models via Pretrained Vision-Language Models

从像素到谓词：通过预训练视觉-语言模型学习符号世界模型

Ashay Athalye, Nishanth Kumar, Tom Silver, Yichao Liang, Jiuguang Wang, Tomás Lozano-Pérez, Leslie Pack Kaelbling

机构 * MIT（麻省理工学院） ； Princeton University（普林斯顿大学） ； University of Cambridge（剑桥大学） ； RAI Institute（RAI研究院） 纠错

AI总结 通过预训练视觉-语言模型学习符号世界模型，以实现复杂机器人领域中长周期决策制定的零样本泛化。

Comments A version of this paper appears in the official proceedings of RA-L, Volume 11, Issue 4

Vector Field Augmented Differentiable Policy Learning for Vision-Based Drone Racing

基于向量场的可微政策学习用于基于视觉的无人机赛车

Yang Su, Feng Yu, Yu Hu, Xinze Niu, Linzuo Zhang, Fangyu Sun, Danping Zou

机构 * Shanghai Jiao Tong University（上海交通大学） 纠错

AI总结 本文提出DiffRacing框架，通过整合向量场和可微损失提升无人机赛车的样本效率与飞行性能。

Comments 8 pages, 7 figures, RAL 2026 March

A Champion-level Vision-based Reinforcement Learning Agent for Competitive Racing in Gran Turismo 7

一款冠军级基于视觉的强化学习代理用于Gran Turismo 7中的竞争赛车

Hojoon Lee, Takuma Seno, Jun Jet Tai, Kaushik Subramanian, Kenta Kawamoto, Peter Stone, Peter R. Wurman

机构 * KAIST（韩国科学技术院） ； Sony AI（索尼人工智能） ； Coventry University（科文特大学） ； University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 本文提出了一种基于视觉的自主赛车代理，通过仅使用车载传感器数据和摄像头视角，在Gran Turismo 7中实现了冠军级的赛车性能。

Comments Accepted for Publication at the IEEE Robotics and Automation Letters (RA-L) 2025

Swooper: Learning High-Speed Aerial Grasping With a Simple Gripper

Swooper: 一种简单抓取器的高速空中抓取学习

Ziken Huang, Xinze Niu, Bowen Chai, Renbiao Jin, Danping Zou

机构 * School of Automation and Intelligent Sensing, Shanghai Jiao Tong University（自动化与智能感知学院，上海交通大学） 纠错

AI总结 Swooper通过深度强化学习实现高速空中抓取，使用轻量级神经网络策略在25次试验中达到84%的成功率和1.5m/s的抓取速度。

Journal ref IEEE Robotics and Automation Letters ( Volume: 11, Issue: 2, February 2026)

A Bi-directional Adaptive Framework for Agile UAV Landing

双向自适应框架用于敏捷无人机着陆

Chunhui Zhao, Xirui Kao, Yilin Lu, Yang Lyu

机构 * School of Automation, Northwestern Polytechnical University（自动化学院，西北工业大学） 纠错

AI总结 本文提出双向自适应框架，通过重新定义车辆与平台的角色，实现敏捷无人机着陆的高效、精确与鲁棒性提升。

Comments This work has been submitted to the IEEE Robotics and Automation Letters (RA-L) for possible publication

Journal ref IEEE Robotics and Automation Letters, 2026

Strategic Shaping of Human Prosociality: A Latent-State POMDP Framework

人类亲社会性战略塑造：一种隐态POMDP框架

Zahra Zahedi, Xinyue Hu, Shashank Mehrotra, Mark Steyvers, Kumar Akash

机构 * Honda Research Institute USA, Inc.（本田美国研究院） ； Department of Cognitive Science, University of California, Irvine（加州大学尔湾分校认知科学系） 纠错

AI总结 本文提出一种隐态POMDP框架，用于机器人战略性地塑造人类亲社会性，通过学习转移和观测动态，提升合作效果。

Comments This article has been published in IEEE Robotics and Automation Letters. https://ieeexplore.ieee.org/document/11410120

osmAG-LLM: Zero-Shot Open-Vocabulary Object Navigation via Semantic Maps and Large Language Models Reasoning

osmAG-LLM: 通过语义地图和大语言模型推理实现零样本开放词汇物体导航

Fujing Xie, Sören Schwertfeger, Hermann Blum

机构 * Key Laboratory of Intelligent Perception and Human-Machine Collaboration – ShanghaiTech University, Ministry of Education, China（智能感知与人机协作重点实验室——上海科技大学，教育部，中国） ； University of Bonn（波恩大学） ； Lamarr Institute for ML and AI（Lamarr 人工智能与机器学习研究所） 纠错

AI总结 osmAG-LLM通过语义地图和大语言模型推理实现零样本开放词汇物体导航，结合环境基础与上下文推断，提升动态和未映射物体的导航性能。

Comments accepted at RA-L 2026

Closed-loop Control of Steerable Balloon Endoscopes for Robot-assisted Transcatheter Intracardiac Procedures

闭环控制可操控气囊内窥镜用于机器人辅助经导管心内操作

Max McCandless, Jonathan Hamid, Sammy Elmariah, Nathaniel Langer, Pierre E. Dupont

机构 * Department of Cardiac Surgery, Boston Children’s Hospital, Harvard Medical School, Boston, MA, USA（心脏外科部，波士顿儿童医院，哈佛医学院，马萨诸塞州波士顿，美国） ； Department of Medicine, Cardiology Division, University of California San Francisco, San Francisco, CA, USA（医学部，心脏病学分会，加州大学旧金山分校，旧金山，加利福尼亚州，美国） ； Department of Cardiac Surgery, Massachusetts General Hospital, Boston, MA, USA（心脏外科部，麻省总医院，波士顿，马萨诸塞州，美国） 纠错

AI总结 本文提出了一种可操控气囊内窥镜，通过闭环控制实现心内手术中工具的精确导航与稳定方向控制。

Comments 8 pages, 11 figures

Journal ref IEEE Robotics and Automation Letters, Volume 11, Issue 4, Pages 4211-4218, 2026

SelfOccFlow: Towards end-to-end self-supervised 3D Occupancy Flow prediction

SelfOccFlow：迈向端到端自监督3D占用流预测

Xavier Timoneda, Markus Herb, Fabian Duerr, Daniel Goehring

机构 * Onboard Fusion team at CARIAD SE, Volkswagen Group（CARIAD SE 车辆集团 onboard 融合团队） ； Dahlem Center for Machine Learning and Robotics group at Freie Universität Berlin（柏林自由大学 Dahlem 机器学习与机器人学小组） 纠错

AI总结 SelfOccFlow提出了一种端到端自监督方法，通过分解场景为静态和动态符号距离场并利用特征余弦相似性，实现无需人工标注的3D占用流估计。

Comments Accepted version. Final version is published in IEEE Robotics and Automation Letters, DOI: 10.1109/LRA.2026.3665447

Journal ref IEEE Robotics and Automation Letters, vol. 11, no. 4, pp. 4331-4338, 2026