RSS

IMPACT: An Implicit Active-Set Augmented Lagrangian for Fast Contact-Implicit Trajectory Optimization

IMPACT: 一种隐式主动集增广拉格朗日法用于快速接触-隐式轨迹优化

Jiayun Li, Dejian Gong, Georgia Chalvatzaki

机构 * PEARL Lab, Dept. of Computer Science, TU Darmstadt, Germany（图腾实验室，计算机科学系，图恩大学，德国） ； Hessian.AI, Darmstadt, Germany（海森AI，图恩，德国） ； Robotics Institute Germany (RIG)（德国机器人研究所（RIG）） 纠错

AI总结 本文提出IMPACT方法，通过隐式主动集策略解决接触约束下的轨迹优化问题，实现高效求解并提升控制质量。

Comments Accepted to Robotics: Science and Systems (RSS), 2026

Gain Tuning Is Not What You Need: Reward Gain Adaptation for Constrained Locomotion Learning

增益调谐并非所需：用于约束运动学习的奖励增益自适应

Arthicha Srisuchinnawong, Poramate Manoonpong

机构 * Vidyasirimedhi Institute of Science and Technology（维达亚西里米迪科学与技术研究所） ； The University of Southern Denmark（丹麦南部大学） 纠错

AI总结 提出ROGER方法，通过在线自适应奖励权重增益，在满足约束的同时最大化性能，在四足机器人上实现近零约束违反和更高奖励。

Comments RSS 2025, compressed version

Journal ref Proceedings of Robotics: Science and Systems XXI (2025)