ICRA

Health-Conditioned Vision-Language-Action Models for Malfunction-Aware Robot Control

面向故障感知的视觉-语言-动作模型用于机器人故障-aware 控制

Hüseyin Arslan, Özgür Erkent

机构 * Computer Engineering, Hacettepe University, Ankara, Turkey（哈切特佩大学计算机工程系，安卡拉，土耳其） 纠错

AI总结 本文提出一种故障感知的视觉-语言-动作模型，通过引入健康投影模块，使机器人在关节退化等物理故障情况下仍能完成任务。

Comments VLA Pipelines Workshop at IEEE International Conference on Robotics and Automation (ICRA) 2026

Learning Sim-Grounded Policies for Bimanual Rope Manipulation from Human Teleoperation Data

从人类遥控数据中学习双臂绳子操作的模拟 grounded 策略

Gina Wigginghaus, Tim Missal, Berk Guler, Simon Manschitz, Jan Peters

机构 * Technical University of Darmstadt（德累斯顿技术大学） ； German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心） ； Robotics Institute Germany (RIG)（德国机器人研究所） ； Centre for Cognitive Science（认知科学研究中心） ； Honda Research Institute Europe GmbH（本田欧洲研究院） 纠错

AI总结 本文研究了基于视觉的策略在解结任务中泛化能力不足是否源于观察空间而非策略架构或数据规模，通过比较两种基于动作分块与变压器的策略，发现基于物理状态的策略在预测初始抓取和拉拽动作时L1误差降低了30.8%。

Comments Accepted to the Beyond Teleoperation Workshop at ICRA 2026, 5 pages, 2 figures

Wind-Aware Optimal Trajectory Planning for Efficient Gliding of Fixed-Wing Aerial Systems

考虑风的高效滑翔轨迹规划

Luca Morando, Nishanth Bobbili, Giuseppe Loianno

机构 * New York University（纽约大学） ； University of California Berkeley（加州大学伯克利分校） 纠错

AI总结 本文提出非线性多目标轨迹规划器，通过伯恩斯坦多项式生成三次连续轨迹，结合风速估算优化滑翔性能，实验证明在风扰和障碍物情况下具有稳定性和可靠性。

Comments Accepted for publication at IEEE International Conference on Robotics and Automation (ICRA 2026) held in Vienna

Journal ref IEEE International Conference on Robotics and Automation (ICRA 2026) held in Vienna

frax: Fast Robot Kinematics and Dynamics in JAX

frax：基于JAX的快速机器人运动学与动力学

Daniel Morton, Marco Pavone

机构 * Departments of Mechanical Engineering and Aeronautics & Astronautics, Stanford University（机械工程系和航空与航天系，斯坦福大学） 纠错

AI总结 frax提供高性能纯Python接口，支持CPU、GPU和TPU，实现高效的实时控制与并行计算，适用于机器人运动学和动力学的高性能计算需求。

Comments ICRA 2026 Workshop on Frontiers of Optimization for Robotics

Approximating Global Contact-Implicit MPC via Sampling and Local Complementarity

通过采样和局部互补性近似全局接触-隐式MPC

Sharanya Venkatesh, Bibit Bianchini, Alp Aydinoglu, William Yang, Michael Posa

机构 * GRASP Laboratory at the University of Pennsylvania（宾夕法尼亚大学GRASP实验室） ； Boston Dynamics（波士顿动力） ； Amazon Robotics（亚马逊机器人技术） 纠错

AI总结 本文提出一种结合局部互补性控制与全局采样方法的控制器，用于实时灵活操作。通过在每个控制循环中先进行无接触阶段再进行接触密集阶段，实现对非凸物体的精确非抓取操作。

Comments S.V. and B.B. contributed equally to this work. Accepted to RA-L 2025; presented at ICRA 2026. Project page: https://approximating-global-ci-mpc.github.io

Journal ref IEEE Robotics and Automation Letters, volume 10, number 11, pages 12117-12124, September 2025