RSS

Learning Agile Quadrotor Flight in the Real World

在现实世界中学习敏捷四旋翼飞行

Yunfan Ren, Zhiyuan Zhu, Jiaxu Xing, Davide Scaramuzza

机构 * Robotics and Perception Group, University of Zurich（苏黎世大学机器人与感知组） 纠错

AI总结 研究现实世界中敏捷四旋翼飞行，提出自适应框架，通过自适应时间缩放和在线残差学习探索物理极限、增强标称模型，用RASH-BPTT实现策略更新，实验表明能在接近饱和极限时可靠执行敏捷机动并提升性能。

Journal ref Robotics: Science and Systems 2026

Validate the Dream Before You Trust Its Verdict: Admissibility for World-Model Simulators

在信任世界模型模拟器的裁决之前先验证其可靠性：世界模型模拟器的可接受性

Christian Oefinger, Finn Rasmus Schäfer, Korbinian Moller, Mattia Piccinini, Johannes Betz

机构 * Autonomous Vehicle Systems Lab（自主车辆系统实验室） ； Technical University of Munich（慕尼黑技术大学） 纠错

AI总结 研究世界模型模拟器裁决的可靠性问题，基于安全关键模拟的可信度实践定义可接受性阶梯，通过自动驾驶实例验证，指出视觉保真度不能预测行动稳健性，为世界模型模拟器的评估提供了新框架。

Comments Accepted at RSS 2026 Workshop on Robot World Models

A Closed-Loop Multi-Agent Framework for Robust Multi-Robot Manipulation

用于鲁棒多机器人操作的闭环多智能体框架

Yi-Xiang He, Lan Wei, Haoming Cen, Jian-Jian Jiang, Zhuohao Li, Guanxing Lu, Yihan Yang, Dandan Zhang, Wei-Shi Zheng

机构 * Sun Yat-sen University（中山大学） ； Key Laboratory of Machine Intelligence and Advanced Computing, Ministry of Education, China（教育部机器智能与先进计算重点实验室） ； Imperial College London（帝国理工学院） ； Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院） ； Shenzhen Loop Area Institute（深圳河套学院） 纠错

AI总结 针对多机器人操作中高级推理应用于实际执行的挑战，提出基于分层闭环智能体的LLM框架，含规划、操作、验证智能体。经实际实验验证，该框架成功率高、适应性强，为多样操作任务提供可推广方法。

Comments RSS 2026

Latent Policy Steering through One-Step Flow Policies

通过一步流策略实现潜在策略引导

Hokyun Im, Andrey Kolobov, Jianlong Fu, Youngwoon Lee

机构 * Department of Artificial Intelligence, Yonsei University（人工智能系，延世大学） ； Microsoft Research（微软研究院） 纠错

AI总结 本文提出Latent Policy Steering (LPS)，通过一步流策略实现高保真的潜在策略改进，解决了离线强化学习中回报最大化与行为约束之间的权衡问题，实现了无需复杂超参数调整的鲁棒性能。

Comments Accepted to RSS 2026, Project Webpage : https://jellyho.github.io/LPS/

Hypothesis-driven Model Expansion under Uncertainty for Open-World Robot Planning

不确定性下用于开放世界机器人规划的假设驱动模型扩展

Anxing Xiao, Hanbo Zhang, Tianrun Hu, David Hsu

机构 * School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； Smart Systems Institute, National University of Singapore（新加坡国立大学智能系统研究所） 纠错

AI总结 针对开放世界机器人规划中传统方法失效的问题，提出假设驱动模型扩展框架，利用基础模型生成假设，结合自动规划与验证反馈进行迭代优化，实现自主知识扩展，推动家用服务机器人实际部署。

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

Imagined Rollouts are Kinematic, Not Dynamic: A Diagnosis of Long-Horizon World-Model Failure

想象的展开是运动学的，而非动力学的：对长期世界模型失败的诊断

Finn Rasmus Schäfer, Korbinian Moller, Yuan Gao, Christian Oefinger, Sebastian Schmidt, Johannes Betz

机构 * Autonomous Vehicle Systems Lab（自动驾驶车辆系统实验室） ； Technical University of Munich（慕尼黑技术大学） ； Data Analytics and Machine Learning Group（数据分析与机器学习小组） 纠错

AI总结 研究针对世界模型长期失败问题，提出用运动学与动力学重新构建的方法，通过想象的运动学一致性误差（iKCE）及扰动协议进行诊断，在DreamerV3检查点实例化，区分了运动学与动力学想象，揭示模型长期失败特征。

Comments 9 Pages Workshop Paper accepted at RSS Robot World Model Workshop 2026

PoseVLA: Universal Pose Pretraining for Generalizable Vision-Language-Action Policies

面向通用视觉-语言-动作策略的通用姿态预训练

Haitao Lin, Hanyang Yu, Jingshun Huang, He Zhang, Yonggen Ling, Ping Tan, Xiangyang Xue, Yanwei Fu

机构 * Tencent Robotics X（腾讯机器人X） ； Futian Laboratory（福田实验室） ； The Hong Kong University of Science and Technology（香港科学与技术大学） ； Fudan University（复旦大学） ； Shanghai Innovation Institute（上海创新研究院） 纠错

AI总结 本文提出Pose-VLA，通过分离预训练和后训练阶段，解决视觉-语言-动作模型中的特征坍塌和训练效率问题，实现通用3D空间先验提取与机器人特定动作空间的高效对齐。

Comments Accepted to Robotics: Science and Systems (RSS) 2026. Project website: https://hetolin.github.io/PoseVLA

Journal ref Robotics: Science and Systems, 2026

Green for Go, Red for No: Visual Grounding via Semantic Segmentation for VLA Navigation Policies

绿色代表可行，红色代表不可行：通过语义分割实现视觉基础以用于VLA导航策略

Adrian Szvoren, Dimitrios Kanoulas, Nilufer Tuptuk

AI总结 研究VLA导航策略的视觉基础，提出基于实时分割的方法，用SegFormer突出可通行与不可通行区域，评估两种变体，结果表明视觉基础可降误差，对长指令效果更佳，还能作为轨迹长度正则化器。

Comments Accepted for RSS 2026 workshop

RoboVista: Evaluating Vision Language Models for Diverse Robot Applications

RoboVista：评估用于各种机器人应用的视觉语言模型

Shuangyu Xie, Kaiyuan Chen, Ziyang Chen, Simeon Adebola, Yixuan Huang, Zehan Ma, Tianshuang Qiu, Wentao Yuan, Dhruv Shah, Pannag R. Sanketi, Ken Goldberg

机构 * University of California, Berkeley（加州大学伯克利分校） ； Princeton University（普林斯顿大学） ； Google DeepMind（谷歌DeepMind） 纠错

AI总结 研究针对机器人多样应用，提出模块化评估框架Robot Question Answering及基准RoboVista，其源于真实机器人系统等，含多任务类型VQA实例，实验表明现有视觉语言模型有差距，且与现实任务执行相关。

Comments Accepted to RSS 2026. Project website: https://berkeleyautomation.github.io/robovista/

OopsieVerse: A Safety Benchmark with Damage-Aware Simulation for Robot Manipulation

OopsieVerse: 一个具有损伤感知仿真的机器人操作安全基准

Arnav Balaji, Arpit Bahety, Sriniket Ambatipudi, Daniel Lam, Junhong Xu, Roberto Martín-Martín

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

AI总结 提出OopsieVerse框架，通过DamageSim检测和量化接触力、温度等损伤信号，在OmniGibson和RoboCasa仿真器中实现损伤感知，用于安全策略学习与评估。

Comments Project website: https://robin-lab.cs.utexas.edu/oopsieverse/. The first two authors contributed equally; order decided by dice roll. Accepted to Robotics: Science and Systems (RSS 2026)

A Scalable Whole-body Motion Transfer via Implicit Kinodynamic Motion Retargeting

可扩展的全身运动迁移：基于隐式动力学运动重定向

Xingyu Chen, Hanyu Wu, Sikai Wu, Mingliang Zhou, Diyun Xiang, Haodong Zhang, Yangchen Zhou, Yukang Gao, Yi Gu, Renjing Xu

机构 * HKUST(GZ)（香港科技大学（广州）） ； ETH Zurich（苏黎世联邦理工学院） ； Zhejiang University（浙江大学） ； Xiaomi Robotics Lab（小米机器人实验室） 纠错

AI总结 提出隐式动力学运动重定向（IKMR），利用骨架图卷积双自编码器将人体与机器人运动映射到共享拓扑潜空间，结合物理信息精炼实现高速、鲁棒的运动数据转换，解决噪声与计算瓶颈。

Comments RSS 2026 Workshop. Webpage: https://cybercal.github.io/webpage.ikmr

MoPe: Motion Permanence for Robust Monocular Gaussian Mapping in Dynamic Environments

MoPe：动态环境中鲁棒单目高斯建图的运动持久性

Qixin Xiao

AI总结 针对动态场景中单目高斯建图因缺乏时间记忆导致动态物体残留鬼影的问题，提出运动持久性原理，通过贝叶斯对数几率更新融合历史动态后验，实现鲁棒跟踪与建图。

Comments RSS 2026 Workshop

ViPSim: Collaborating Visual and Parameter Spaces for Consistent Long-Horizon Embodied World Models

ViPSim: 协同视觉与参数空间实现一致的长时程具身世界模型

Longyu Chen, Heng Li, Wei Yang, Manqi Zhao, Dongsheng Jiang

机构 * Huawei Technologies Co., Ltd.（华为技术有限公司） ； Huazhong University of Science and Technology（华中科技大学） 纠错

AI总结 提出ViPSim框架，通过协同视觉空间（显式空间先验）和参数空间（数值驱动）解决长时程视频生成中的轨迹漂移和不一致问题，实现高保真具身世界模型。

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

Embodiment Meets Environment: Toward Context-Aware, Safe Physical Caregiving Robots

具身与环境相遇：迈向上下文感知、安全的物理护理机器人

Zhanxin Wu, Ruofei Tong, Jiaying Fang, Tapomayukh Bhattacharjee

机构 * Cornell University（康奈尔大学） 纠错

AI总结 提出E²-CARE框架，通过3D动态场景图统一建模环境、机器人和人，在线重塑交互模板实现上下文感知的护理技能安全复用，经仿真和真实环境验证。

Comments RSS 2026

CRAFT: A Tendon-Driven Hand with Hybrid Hard-Soft Compliance

CRAFT: 一种具有混合硬-软柔顺性的腱驱动手

Leo Lin, Shivansh Patel, Jay Moon, Svetlana Lazebnik, Unnat Jain

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； UC Irvine（uci） 纠错

AI总结 提出CRAFT手，一种腱驱动拟人手，通过关节软材料与连杆刚性结合实现混合柔顺性，在接触丰富操作中提升强度、耐久性和抓取能力，覆盖Feix分类全部33种抓取。

Comments In RSS 2026. Website: https://roboticsconference.org/program/papers/192/

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)

When Life Gives You BC, Make Q-functions: Extracting Q-values from Behavior Cloning for On-Robot Reinforcement Learning

当生活给你行为克隆，就做Q函数：从行为克隆中提取Q值用于机器人强化学习

Lakshita Dodeja, Ondrej Biza, Shivam Vats, Stephen Hart, Stefanie Tellex, Robin Walters, Karl Schmeckpeper, Thomas Weng

机构 * Rai-Inst 纠错

AI总结 提出Q2RL算法，通过从行为克隆策略中提取Q函数并利用Q门控切换策略，实现高效的离线到在线强化学习，在机器人操作任务中达到100%成功率和3.75倍提升。

Comments Robotics: Science and Systems, 2026

Beyond Failure Recovery: An Engagement-Aware Human-in-the-loop Framework for Robotic Systems

超越故障恢复：一种面向机器人系统的参与感知人在回路框架

Jiaying Fang, Joyce Yang, Zhanxin Wu, Bohan Yang, Tapomayukh Bhattacharjee

机构 * Cornell University（康奈尔大学） 纠错

AI总结 提出一种参与感知模型预测控制（E-MPC）方法，通过规划交互频率和类型来维持用户参与度并控制工作负荷，在机器人辅助进食系统中验证了其提升用户体验且不降低任务成功率的效果。

Comments Project website at https://emprise.cs.cornell.edu/empc

Journal ref Robotics: Science and Systems 2026

Damage Adaptation in Seconds for Architected Materials

结构材料的秒级损伤自适应

James Avtges, Jake Ketchum, Helena Young, Taekyoung Kim, Ryan Truby, Todd Murphey

机构 * Northwestern University（西北大学） 纠错

AI总结 提出LEAP方法，利用潜在损伤表示和集成学习，在软驱动系统中实现一分钟内对灾难性损伤的自适应，无需仿真。

Comments Proceedings of Robotics: Science and Systems

X-Loco: Towards Generalist Humanoid Locomotion Control via Synergetic Policy Distillation

X-Loco：通过协同策略蒸馏实现通用人形机器人运动控制

Dewei Wang, Xinmiao Wang, Chenyun Zhang, Jiyuan Shi, Yingnan Zhao, Chenjia Bai, Xuelong Li

机构 * University of Science and Technology of China（中国科学技术大学） ； Tsinghua University（清华大学） 纠错

AI总结 提出X-Loco框架，通过协同策略蒸馏和案例自适应专家选择，训练视觉通用人形运动策略，整合直立行走、全身协调和跌倒恢复，仅基于速度指令，无需参考运动。

Comments Accepted by RSS 2026. Project page: https://x-loco-humanoid.github.io/

GHOST: Hierarchical Sub-Goal Policies for Generalizing Robot Manipulation

GHOST: 用于泛化机器人操作的层次化子目标策略

Sriram Krishna, Ben Eisner, Haotian Zhan, Ying Yuan, Haoyu Zhen, Chuang Gan, Shubham Tulsiani, David Held

机构 * Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所） ； UMass Amherst（马萨诸塞大学阿姆赫斯特分校） 纠错

AI总结 提出GHOST框架，通过将控制分解为高层子目标预测和低层目标条件控制器，实现视觉运动操作策略的泛化，并利用人类演示适应新物体和任务变化。

Comments Accepted at RSS 2026

Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking

注意你的步伐：一种用于精确人形机器人落脚点跟踪的通用学习框架

Alessandro Montenegro, Shihao Li, Puze Liu, Alberto Maria Metelli, Jan Peters

机构 * Politecnico di Milano（米兰理工大学） ； TU Darmstadt（达姆施塔特工业大学） ； Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； Italian Institute of Technology（意大利技术研究院） ； University of Pisa（比萨大学） 纠错

AI总结 提出一种轻量级通用3D落脚点跟踪策略学习框架，通过目标采样器动态提供步态支持，结合新目标表示克服真实世界噪声，实现与多种高层规划器无缝集成的精确自然运动。

Comments Accepted to RSS 2026

Integrated Hierarchical Decision-Making in Inverse Kinematic Planning and Control

集成化分层决策在逆运动学规划与控制中

Kai Pfeiffer, Quan Zhang, Yuqing Chen, Gordon Boateng, Yuquan Wang, Vincent Bonnet, Aberrahmane Kheddar

机构 * University of Cambridge（剑桥大学） 纠错

AI总结 本文提出一种高效的非线性规划框架，整合分层决策与全身逆运动学规划控制，解决逆运动学规划中同时选择端效应器位置的问题。

Comments Accepted paper to "Robotics: Science and Systems" (2026)

AxisGuide: Grounding Robot Action Coordinate System in RGB Observations for Robust Visuomotor Manipulation

AxisGuide: 在RGB观测中接地机器人动作坐标系以实现鲁棒的视觉运动操控

Jiyun Jang, Yujin Sung, Woosung Joung, Daewon Chae, Sangwon Lee, Sohwi Kim, Jinkyu Kim, Jungbeom Lee

机构 * Korea University（韩国大学） ； University of Michigan（密歇根大学） ； KT R&D Center（KT研发中心） ； Kakao Mobility（Kakao移动） 纠错

AI总结 针对视觉运动策略在分布偏移下动作执行失败的问题，提出AxisGuide方法，通过渲染机器人基座坐标系轴并叠加提示通道，增强动作坐标理解，显著提升泛化性能。

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

LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion

LDA-1B：通过通用具身数据摄取扩展潜动力学动作模型

Jiangran Lyu, Kai Liu, Xuheng Zhang, Haoran Liao, Yusen Feng, Wenxuan Zhu, Tingrui Shen, Jiayi Chen, Jiazhao Zhang, Yifei Dong, Wenbo Cui, Senmao Qi, Shuo Wang, Yixin Zheng, Mi Yan, Xuesong Shi, Haoran Li, Dongbin Zhao, Ming-Yu Liu, Zhizheng Zhang, Li Yi, Yizhou Wang, He Wang

机构 * Peking University（北京大学） ； Galbot ； CASIA（中国科学院自动化研究所） ； BAAI（北京人工智能研究院） ； Tsinghua University（清华大学） ； Sun Yat-sen University（中山大学） ； NVIDIA 纠错

AI总结 提出LDA-1B机器人基础模型，通过统一格式的具身交互数据集EI-30k和结构化DINO潜空间中的动力学学习，联合建模动力学、策略和视觉预测，在接触丰富、灵巧和长时任务上分别提升高达21%、48%和23%。

Comments Accepted at RSS 2026, Project Page:https://pku-epic.github.io/LDA

On the interaction between Autonomous Mobility-on-Demand systems and the power network: models and coordination algorithms

关于自主出行-on-demand系统与电力网络相互作用：模型和协调算法

Federico Rossi, Ramon Iglesias, Mahnoosh Alizadeh, Marco Pavone

AI总结 本文研究了自主出行-on-demand系统与电力网络的相互作用，提出了一种模型来捕捉两者之间的耦合关系，并通过联合优化算法协调两个系统。

Comments Extended version of the paper presented at Robotics: Science and Systems XIV and accepted by TCNS. In Version 4, the body of the paper is largely rewritten for clarity and consistency, and new numerical simulations are presented. All source code is available (MIT) at https://dx.doi.org/10.5281/zenodo.3241651

Evaluation of Human-Robot Collaboration Models for Fluent Operations in Industrial Tasks

工业任务中流畅操作的人机协作模型评估

Lior Sayfeld, Ygal Peretz, Roy Someshwar, Yael Edan

AI总结 本文评估了人机协作模型在工业任务中的性能，比较了基于定时和传感器的模型与自适应模型，发现自适应模型在总装配时间和空闲时间上有显著提升。

Comments Robotics: Science and Systems, Human-Robot Hand-Over Workshop 2015

A Separation-Based Design to Data-Driven Control for Large-Scale Partially Observed Systems

基于分离的设计到数据驱动控制用于大规模部分观测系统

Dan Yu, Mohammadhussein Rafieisakhaei, Suman Chakravorty

AI总结 本文研究了由偏微分方程（PDE）描述的状态动力学导致的 partially observed 随机最优控制问题，通过黑盒模拟模型求解开环确定性轨迹优化问题，并基于输入输出实验数据设计线性二次高斯控制器。

Comments 3 pages, 6 figures, In Robotics: Science and Systems (RSS) 2017 Workshop of "POMDPs in Robotics: State of The Art, Challenges, and Opportunities"

Near-Optimal Belief Space Planning via T-LQG

通过T-LQG实现接近最优的信念空间规划

Mohammadhussein Rafieisakhaei, Suman Chakravorty, P. R. Kumar

AI总结 本文提出T-LQG方法，用于非线性机器人系统在观测和运动不确定性下的规划问题，提供近优反馈控制策略，解决POMDP问题。

Comments 3 pages, 3 figures, In Robotics: Science and Systems (RSS) 2017 Workshop of "POMDPs in Robotics: State of The Art, Challenges, and Opportunities"