机器人 / 具身智能

SafeDojo: Safe Reinforcement Learning for VLA via Interactive World Model

SafeDojo：基于交互世界模型的安全强化学习用于视觉-语言-动作模型

Kai Tang, Peidong Jia, Zhong Chu, Jixian Wu, Rui Ma, Jiajun Cao, Fangyuan Zhao, Sixiang Chen, Yichen Guo, Xiaowei Chi, Chun-Kai Fan, Kevin Zhang, Jinchang Xu, Fubing Yang, Weishi Mi, Xiaozhu Ju, Jian Tang, Shanghang Zhang

机构 * State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机学院多媒体信息处理国家重点实验室） ； Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Nanyang Technological University（南洋理工大学） ； Hong Kong University of Science and Technology（香港科技大学） ； University of Electronic Science and Technology of China（电子科技大学） 纠错

专题命中 模仿学习与强化学习 ：world model(title,abstract)；分类 cs.RO

AI总结 提出SafeDojo，首个基于模型的安全强化学习框架，通过交互式视频世界模型进行想象学习安全动作，结合解耦的任务奖励和安全代价信号，在SafeLIBERO和真实机器人上取得最佳安全成功率。

Comments 20 pages, 5 figures, 8 tables

TSD: A Physics-Inspired Trajectory Saliency Detector for Efficient Imitation Learning

TSD：一种受物理启发的轨迹显著性检测器用于高效模仿学习

Yiming Zhao, Gongrui Ma, Qingkai Li, Mingguo Zhao

机构 * Department of Automation, Tsinghua University（清华大学自动化系） 纠错

专题命中 模仿学习与强化学习 ：robot learning(abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出一种无需训练、即插即用的轨迹显著性检测器TSD，通过空间熵和向心加速度两个物理指标识别关键轨迹，实现数据集压缩和扩展，平均减少25%数据量仍保持或提升性能。

Imagine to Ensure Safety in Hierarchical Reinforcement Learning

想象以确保分层强化学习的安全性

Gregory Gorbov, Artem Latyshev, Aleksandr I. Panov

机构 * Cognitive AI Systems Lab（认知人工智能系统实验室） ； Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究所） ； FRC Computer Science RAS（俄罗斯科学院联邦研究中心计算机科学研究所） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；navigation(abstract)；world model(abstract)；分类 cs.AI

AI总结 提出结合可学习世界模型与高低层策略的分层方法，通过高层生成安全子目标、低层利用想象滚动减少不安全行为，在长时域任务中显著优于现有安全强化学习基线。

Learning Process Rewards via Success Visitation Matching for Efficient RL

通过成功访问匹配学习过程奖励以实现高效强化学习

Raymond Tsao, Andrew Wagenmaker, Sergey Levine

机构 * UC Berkeley（加州大学伯克利分校） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 针对稀疏奖励导致的信用分配难题，提出通过判别器区分成功/失败轨迹，生成密集过程奖励以匹配成功访问分布，在不改变最优策略下加速机器人控制策略微调。

Chain-of-Goals Hierarchical Policy for Long-Horizon Offline Goal-Conditioned RL

Chain-of-Goals 分层策略用于长视界离线目标条件强化学习

Jinwoo Choi, Sang-Hyun Lee, Seung-Woo Seo

机构 * Department of Electrical and Computer Engineering, Seoul National University, Seoul, South Korea（首尔国立大学电气与计算机工程系） ； Department of Automotive Engineering, Ajou University, Gyeonggi-do, South Korea（全州大学汽车工程系） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；navigation(abstract)；分类 cs.AI、cs.LG

AI总结 提出 Chain-of-Goals 分层策略 (CoGHP)，通过自回归生成潜在子目标序列，利用 MLP-Mixer 统一架构建模层次决策，在长视界任务中优于离线基线方法。

Comments ICML 2026

DataMIL: Selecting Data for Robot Imitation Learning with Datamodels

DataMIL: 使用数据模型为机器人模仿学习选择数据

Shivin Dass, Alaa Khaddaj, Logan Engstrom, Aleksander Madry, Andrew Ilyas, Roberto Martín-Martín

机构 * UT Austin（得克萨斯大学） ； MIT（麻省理工学院） ； Stanford University（斯坦福大学） 纠错

专题命中 模仿学习与强化学习 ：robotics(abstract)；manipulation(abstract)；分类 cs.RO、cs.LG

AI总结 提出DataMIL框架，基于数据模型端到端选择对任务性能提升最大的数据点，避免基于人类质量标准的过滤，通过替代损失函数避免环境交互，在60+模拟和真实操作任务中验证了有效性。

CBF-RL: Safety Filtering Reinforcement Learning in Training with Control Barrier Functions

CBF-RL: 基于控制屏障函数的安全过滤强化学习

Lizhi Yang, Blake Werner, Massimiliano de Sa, Aaron D. Ames

机构 * Caltech MCE（加州理工学院机械工程系） 纠错

专题命中 模仿学习与强化学习 ：navigation(abstract,comments)；分类 cs.RO、cs.AI、cs.LG；robotics(comments)

AI总结 本文提出CBF-RL框架，通过在训练过程中强制控制屏障函数以生成安全行为，使强化学习策略内在化安全约束，实现无需在线安全过滤的鲁棒安全部署。

Comments Accepted to the 2026 IEEE International Conference on Robotics and Automation (ICRA 2026). Copyright transferred to IEEE. Sample code for the navigation example with CBF-RL reward core construction can be found at https://github.com/lzyang2000/cbf-rl-navigation-demo

dVLA-RL: Reinforcement Learning over Denoising Trajectories for Discrete Diffusion Vision-Language-Action Models

dVLA-RL：基于去噪轨迹的强化学习用于离散扩散视觉-语言-动作模型

Yuhao Wu, Yitian Liu, Weijie Shen, Mishuo Han, Wenjie Xu, Haotian Liang, Zhongshan Liu, Yinan Mao, Lei Xu, Xinping Guan, Ru Ying, Ran Zheng, Wei Sui, Xiaokang Yang, Wenbo Ding, Yao Mu

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院） ； Baidu AI Cloud D-Robotics Shanghai AI Laboratory（百度AI云D-机器人上海人工智能实验室） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出dVLA-RL方法，将离散扩散VLA模型的强化学习目标从边缘动作概率转移到采样生成路径的联合概率，通过将去噪过程建模为马尔可夫决策过程，实现变步长调度，在LIBERO上达到99.7%成功率，在RoboTwin 2.0上相比SFT提升30.6%。

HiL-ResRL: A Model-Agnostic Finetuning Adapter via Human-in-the-loop Residual Reinforcement Learning

HiL-ResRL: 通过人在回路残差强化学习的模型无关微调适配器

Jingyi Liu, Zhaohong Mai, ShunSen He, Hang Ren, Chao Wang, Shunbo Zhou, XiaoDong Wu, Heng Zhang

机构 * CloudRobo Lab, Huawei Cloud Computing Technologies Co., Ltd.（华为云计算技术有限公司云机器人实验室） ； South China University of Technology（华南理工大学） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO

AI总结 提出一种模型无关的即插即用微调流程，通过残差策略和人在回路指导，在1.5小时内使机器人操作成功率超过95%。

Comments 8 pages, 9 figures

Reward-free Pretraining for Reinforcement Learning via Occupancy Coverage Maximization

通过占据覆盖最大化进行强化学习的无奖励预训练

Marco Pratticò, Pietro Novelli, Massimiliano Pontil, Carlo Ciliberto

机构 * Computational Statistics and Machine Learning - Istituto Italiano di Tecnologia（计算统计与机器学习 - 意大利技术研究院） ； AI Centre, Computer Science Department, University College London（人工智能中心，计算机科学系，伦敦大学学院） 纠错

专题命中 模仿学习与强化学习 ：navigation(abstract)；world model(abstract)；分类 cs.LG

AI总结 提出一种无奖励预训练方法ROVER，通过最大化状态占据测度的覆盖来学习可迁移探索策略，在稀疏奖励下游任务中快速适应。

SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics

SHIELD: 基于学习动力学期望的控制障碍函数实现人形机器人安全

Lizhi Yang, Blake Werner, Ryan K. Cosner, David Fridovich-Keil, Preston Culbertson, Aaron D. Ames

机构 * Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系） ； Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系） ； Computer Science, Cornell University（康奈尔大学计算机科学系） 纠错

专题命中 模仿学习与强化学习 ：robot learning(abstract)；navigation(abstract)；分类 cs.RO

AI总结 提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。

Comments Accepted to the 2025 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2025). Copyright transferred to IEEE. Video at https://youtu.be/-Qv1wR4jfj4

AIR: Adaptive Interleaved Reasoning with Code in MLLMs

AIR: MLLMs中的自适应交错推理与代码

Cong Han, Xiaohan Lan, Haibo Qiu, Yujie Zhong

机构 * Independent Researcher（独立研究员） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.AI、cs.CV

AI总结 提出自适应交错推理框架AIR，通过强化学习训练代码增强的复杂数值计算任务，采用分组约束奖励函数和两阶段数据构建，使性能平均提升6.1个百分点。

Comments 19 pages, 4 figures

CRAX: Fast Safe Reinforcement Learning Benchmarking

CRAX：快速安全强化学习基准测试

Tristan Tomilin, Mourad Boustani, Mickey Beurskens, Thiago D. Simão

机构 * Eindhoven University of Technology（埃因霍温理工大学） 纠错

专题命中 模仿学习与强化学习 ：robotics(abstract)；分类 cs.AI、cs.LG

AI总结 提出基于JAX加速的安全RL基准CRAX，利用MJX物理引擎实现高达100倍加速，包含6个环境套件和3个智能体任务，评估6种方法揭示性能与安全权衡。

Temporal Self-Imitation Learning

时间自我模仿学习

Yinsen Jia, Boyuan Chen

机构 * Duke University（杜克大学） 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.RO、cs.AI

AI总结 提出时间自我模仿学习框架，通过挖掘高效成功轨迹并转化为可重用监督信号，提升长时域机器人操作任务的学习效率与鲁棒性。

A Reward-Petri-Net Interpretation of Temporal Behavior Trees

时间行为树的奖励-佩特里网解释

Till Schmeil, Günther Waxenegger-Wilfing, Sebastian Schirmer

机构 * University of Würzburg（维尔茨堡大学） ； German Aerospace Center (DLR)（德国航空航天中心） 纠错

专题命中 模仿学习与强化学习 ：robotic(abstract)；分类 cs.LG

AI总结 提出将时间行为树（TBT）转换为奖励-佩特里网（RPN）的方法，自动生成奖励函数，解决复杂长时域机器人任务中强化学习奖励设计难题，提高样本效率和学习可控性。

Comments 9 pages, 10 figures

Geometric Entropy: When Trajectory Diversity Helps and Hurts in Imitation Learning

几何熵：轨迹多样性在模仿学习中的利弊

Qian Luo, Ruizhe Liu, Pei Zhou, Xunzhe Zhou, Yanchao Yang

机构 * InfoBodied AI Lab, The University of Hong Kong（香港大学信息体人工智能实验室） ； Transcengram 纠错

专题命中 模仿学习与强化学习 ：manipulation(abstract)；分类 cs.RO

AI总结 提出几何熵（H_G）量化演示轨迹的几何多样性，发现成功率与H_G呈倒U型关系，且最优熵随任务掌握度增加而降低，可用于数据集审计与校准。

Comments Accepted to IROS 2026. Project page: https://geometric-entropy.github.io/

Self-Curriculum Model-based Reinforcement Learning for Shape Control of Deformable Linear Objects

基于自课程模型的可变形线性物体形状控制强化学习

Zhaowei Liang, Song Wang, Zhao Jin, Shirui Wu, Dan Wu

机构 * Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系） 纠错

专题命中 模仿学习与强化学习 ：robotic(abstract)；分类 cs.RO

AI总结 提出两阶段框架，结合基于模型强化学习与在线视觉伺服，通过自课程目标生成机制实现可变形线性物体高效精确的形状控制，在仿真和真实任务中优于主流方法。

Comments Accepted to IROS 2026

Towards a Novel Wearable Robotic Vest for Hemorrhage Suppression

面向止血的新型可穿戴机器人背心

Harshith Jella, Pejman Kheradmand, Joseph Klein, Behnam Moradkhani, Yash Chitalia

机构 * Healthcare Robotics and Telesurgery (HeaRT) Laboratory, Speed School of Engineering, University of Louisville（医疗机器人与远程手术（HeaRT）实验室，Speed工程学院，路易斯维尔大学） 纠错

专题命中 人机交互与遥操作 ：robotic(title,abstract)；分类 cs.RO；robotics(journal_ref)

AI总结 提出一种形状可调的环机构与充气气囊结合的机器人系统，用于在紧急场景（如空间站）中控制严重出血，实验验证其止血效果。

Journal ref 2026 International Symposium on Medical Robotics (ISMR), Knoxville, TN, USA, 2026, pp. 37-42

Towards Considerate Human-Robot Coexistence: A Dual-Space Framework of Robot Design and Human Perception in Healthcare

迈向体贴的人机共存：医疗保健中机器人设计与人类感知的双空间框架

Yuanchen Bai, Zijian Ding, Ruixiang Han, Niti Parikh, Wendy Ju, Angelique Taylor

机构 * Cornell Tech（康奈尔科技） ； Cornell University（康奈尔大学） ； University of Maryland（马里兰大学） 纠错

专题命中 人机交互与遥操作 ：robotics(abstract)；分类 cs.RO、cs.AI

AI总结 通过14周联合设计研究的后续访谈，识别人类感知空间的四个解释维度，提出人机共存作为设计空间与感知空间共同演化的循环，强调人类作为解释者和中介者的角色。

Comments This paper has been accepted for publication at the 35th IEEE International Conference on Robot and Human Interactive Communication (RO-MAN 2026)

Integrated cloud-based architecture for robot-robot and human-robot collaboration using ROS 2--MQTT in Mediterranean Greenhouses

基于ROS 2--MQTT的地中海温室中机器人与机器人及人机协作的集成云架构

F. Cañadas-Aránega, M. Muñoz, J. C. Moreno, J. L. Blanco-Claraco

机构 * Department of Informatics, CIESOL, ceiA3, Universidad de Almería（阿尔梅里亚大学信息学系，CIESOL，ceiA3） ； Department of Engineering, CIESOL, ceiA3, Universidad de Almería（阿尔梅里亚大学工程系，CIESOL，ceiA3） 纠错

专题命中 人机交互与遥操作 ：robotic(abstract)；分类 cs.RO

AI总结 提出一种基于MQTT和FIWARE的云混合架构，桥接ROS 2边缘计算与iVeg决策支持系统，解决地中海温室通信约束下的多机器人协同问题，验证了在恶劣网络条件下保持连接和数据完整性的能力。

What Is My Robot Thinking? Design Considerations for Transparent and Trustworthy Shared Autonomy

我的机器人在想什么？透明且可信的共享自主性的设计考量

Atharv Belsare, Zohre Karimi, Connor Mattson, Rushiil Nakka, Daniel S. Brown

机构 * Kahlert School of Computing, University of Utah（犹他大学计算学院） ； Robotics Center, University of Utah（犹他大学机器人中心） 纠错

专题命中 人机交互与遥操作 ：manipulation(abstract)；分类 cs.RO

AI总结 通过用户实验研究共享自主系统中界面透明度（反馈模态和信息丰富度）对协调与信任的影响，发现反馈提高意图对齐、减少纠正干预，视觉优于听觉，信息丰富度偏好依赖任务复杂度，揭示完整信念分布并不一致提升对齐或信任。

Comments 9 pages, 5 Figures, Code, and videos are available at https://sites.google.com/view/design-t2-sa/home. Accepted at IROS 2026

Humanoid-OmniOcc: Stereo-Based Full-View Occupancy Dataset for Embodied AI

Humanoid-OmniOcc：面向具身智能的立体全景占用数据集

Xianda Guo, Bohao Zhang, Chenwei Huang, Shiyuan Chen, Ruilin Wang, Yiqun Duan, Cong Yang, Qin Zou, Wei Sui

机构 * School of Computer Science, Wuhan University（武汉大学计算机学院） ； D-Robotics（地瓜机器人） ； Soochow University（苏州大学） ； UTS（悉尼科技大学） 纠错

专题命中 机器人数据与评测 ：embodied AI(title)；robotics(abstract)；navigation(abstract)；robotic(abstract)

AI总结 针对现有占用数据集局限于自动驾驶场景的问题，提出面向人形机器人的大规模全景立体占用数据集Humanoid-OmniOcc，采用Real2Sim2Real闭环范式，并设计立体引导占用模型，在模拟和真实环境中均优于单目基线。

IOI: Decoupling Kinematics and Physics for Interactive World Models

IOI: 解耦运动学与物理学的交互式世界模型

Chengyu Bai, Peidong Jia, Tiecheng Guo, Yukai Wang, Rui Ma, Fangyuan Zhao, Chunkai Fan, Xiaobao Wei, Jintao Chen, Hao Wang, Ying Li, Xiaozhu Ju, Jian Tang, Shanghang Zhang

机构 * Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心） ； Peking University（北京大学） 纠错

专题命中 机器人数据与评测 ：world model(title,abstract)；embodied agent(abstract)；分类 cs.RO

AI总结 提出IOI混合交互式世界模型，通过显式运动学先验与学习物理动力学解耦，实现精确控制对齐和物理合理视觉反馈，在RoboTwin基准上达到最优仿真性能与零样本泛化。

Empowering Embodied AI in 6G Networks: Architecture, Enablers, and Open Challenges

赋能6G网络中的具身人工智能：架构、使能技术与开放挑战

Junaid Sajid, Sheikh Salman Hassan, Wenshuai Liu, Yan Kyaw Tun, Yaru Fu, Nguyen H. Tran, Zhu Han, Cedomir Stefanovic, Tharmalingam Ratnarajah, Muhammad Mahtab Alam

机构 * Thomas Johann Seebeck Department of Electronics（托马斯·约翰·塞贝克电子系） ； Tallinn University of Technology（塔林理工大学） ； Institute for Imaging, Data and Communication (IDCoM)（成像、数据与通信研究所） ； The University of Edinburgh（爱丁堡大学） ； School of Artificial Intelligence and Computer Science（人工智能与计算机科学学院） ； Jiangnan University（江南大学） ； School of Science and Technology（科学与技术学院） ； Hong Kong Metropolitan University（香港 metropolitan 大学） ； Department of Electronic Systems（电子系统系） ； Aalborg University（奥胡斯大学） ； School of Computer Science（计算机科学学院） ； University of Sydney（悉尼大学） ； Department of Electrical and Computer Engineering（电气与计算机工程系） ； University of Houston（休斯顿大学） ； San Diego State University（圣地亚哥州立大学） 纠错

专题命中 机器人数据与评测 ：embodied AI(title,abstract)；embodied agent(abstract)；分类 cs.LG

AI总结 提出面向6G的具身AI原生架构，通过感知-通信-动作闭环统一设计通信、感知、计算与控制，实现任务驱动的物理智能。

Comments This work has been submitted to the IEEE Communication Magazine for possible publication

ScanBot: A Benchmark for Precision Robotic Surface Scanning with Industrial Laser Profilers

ScanBot: 一种用于工业激光轮廓仪精密机器人表面扫描的基准

Zhiling Chen, Yang Zhang, Fardin Jalil Piran, Qianyu Zhou, Jiong Tang, Farhad Imani

机构 * University of Connecticut（康涅狄格大学） 纠错

专题命中 机器人数据与评测 ：robotic(title)；robot learning(abstract)；navigation(abstract)；分类 cs.RO

AI总结 提出ScanBot基准，用于机器人工业激光轮廓仪的高精度表面扫描，包含二十个物体、六类任务，评估方法分为传感器参数推荐和轨迹生成两阶段。

Comments 9 pages, 7 figures. Accepted to the 2026 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2026)

Reference-Free Assessment of Physical Consistency in World Model-based Video Generation

基于世界模型的视频生成中物理一致性的无参考评估

Yun Oh, Sukmin Yun

机构 * Hanyang University ERICA（汉阳大学ERICA校区） 纠错

专题命中 机器人数据与评测 ：world model(title)；robotic(abstract)；分类 cs.RO、cs.AI、cs.LG

AI总结 提出结合相对与绝对方法的无参考度量，用于评估生成视频的物理一致性，无需人工投票或真实参考，通过DROID-SLAM和SEA-RAFT量化不一致性，过滤后视频任务成功率提升超8%，并实现时空定位。

Comments Accepted to the 2nd 3D-LLM/VLA Workshop, CVPR 2026

EmbodiedUS-FS: Fast Slow Intelligence for Ultrasound Robotics

EmbodiedUS-FS：用于超声机器人的快速慢速智能

Fangzhuo Zhang, Xinyu Wang, Xiao Yang, Jinchang Zhang

机构 * independent researcher（独立研究员） ； Shanghai World Foreign Language Academy（上海世界外国语中学） ； University of Wyoming（怀俄明大学） ； SUNY Binghamton（纽约州立大学宾汉姆顿分校） 纠错

专题命中 机器人数据与评测 ：robotics(title)；robotic(abstract)；分类 cs.RO、cs.CV

AI总结 提出一种分层快慢思考的具身超声系统，通过慢脑进行意图解析和任务规划，快脑融合多模态反馈优化局部动作，并集成安全防护机制，在动态临床环境中提高任务成功率并减少安全违规。

Policy4OOD: A Knowledge-Guided World Model for Policy Intervention Simulation against the Opioid Overdose Crisis

Policy4OOD：一种知识引导的世界模型，用于针对阿片类药物过量危机的政策干预模拟

Yijun Ma, Zehong Wang, Weixiang Sun, Zheyuan Zhang, Kaiwen Shi, Nitesh Chawla, Yanfang Ye

机构 * University of Notre Dame, South Bend, USA（南达科他大学） 纠错

专题命中 机器人数据与评测 ：world model(title,abstract)；分类 cs.AI、cs.LG

AI总结 提出Policy4OOD，一种知识引导的时空世界模型，通过联合编码政策知识图谱、空间依赖和时间序列，实现政策干预的预测、反事实推理和优化，并在2019-2024年美国州级数据上验证了其有效性。

eMEM: A Hybrid Spatio-Temporal Memory System For Embodied Agents

eMEM：一种面向具身智能体的混合时空记忆系统

A. Haroon Rasheed, Maria Kabtoul

专题命中 机器人数据与评测 ：embodied agent(title,abstract)；分类 cs.RO

AI总结 提出eMEM混合图记忆系统，通过多索引架构和分层整合管道实现具身智能体在空间、时间和语义上的高效记忆检索，并在ProcTHOR-10K基准测试中达到80.8加权平均分。

Can Single-View Mesh Reconstruction Generalize to Robot Camera Rotation?

单视图网格重建能否泛化到机器人相机旋转？

Yu Zhan, Guangcheng Chen, Hanjing Ye, Zhiqin Cheng, Zanjia Tong, Wenjun Xu, Hong Zhang

机构 * Shenzhen Key Laboratory of Robotics and Computer Vision, Southern University of Science and Technology (SUSTech)（南方科技大学深圳市机器人视觉与感知重点实验室） ； Pengcheng Laboratory（鹏城实验室） 纠错

专题命中 机器人数据与评测 ：manipulation(abstract)；navigation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV

AI总结 研究单视图网格重建在机器人相机旋转下的泛化能力，提出评估协议并发现现有方法泛化差，重力感知精炼减少布局方向误差47.1%。