2025年IEEE国际机器人和自动化会议（ICRA 2025）于5月23日在美国亚特兰大佐治亚州世界会议中心结束。最佳纸张和其他奖项的消息传来了。其中，上海北北大学和新加坡国立大学的Shao Lin的Lu Cewu团队分别赢得了最佳纸质奖。作为机器人技术和自动化领域最有影响力的国际会议之一，ICRA结合了全球科学先驱科学，行业巨头和创新力量，而选择的最佳论文通常代表切割技术和基本突破。这款ICRA 2025收到了来自世界各地的3,000多篇论文，吸引了7,000多名参与者。会议颁发的最佳纸张奖有12个MGA项目，每个奖项通常只有3个上市纸。最后，选出了最好的论文之一，比赛很激烈。其中，卢库（Lu Cewu）的团队来自上海Jiaotong大学Ersity赢得了“人机互动的最佳纸奖”，新加坡国立大学的Shao Lin团队赢得了“机器人操纵和机能的最佳纸奖”（机器人操纵和机车上的最佳纸张奖）。 ICRA 2025的最佳角色共有50篇论文，其中包括16个最佳纸张奖。官方网站链接：https：//2025.ieee-cra.org/program/awards/awards-and-and-and-best in ICRA中，总共选择了2张最佳论文。第一个最好的角色是将高斯和调节性高斯人授予光滑的流形的线性近似，并由多伦多大学和蒙特利尔的麦吉尔大学出版。论文链接：https：//arxiv.org/pdf/2409.09871设置：Zi cong Guo，James Richard Forbes和Timothy Barfoot Paper介绍：本文提供了封闭的表达式，可将高斯分布和条件化为线性分布，适用于线性化的非线性非线性歧管。虽然边缘化a对条件操作进行了充分的研究，将其操作应用于不结盟的歧管，尚不完全了解。该角色通过三个应用显示了这些表达式的效用：1）正态分布的再现，随着问题的增加而线性，估计的质量也将提高； 2）Koopman同时定位和地图构建（SLAM），表明在现实世界数据集中，随着不平等的增加，协方差的PSHRINKAGE问题将减少； 3）强迫一般时间和空间理解（GTSAM），表明协方差的背景与模拟相同。第二好的角色属于卡内基·梅隆大学（Carnegie Mellon University）和上海Jiaotong University团队的“ MAC-VO：基于学习的立体视觉探针计的指标 - 意识协方差”。这项工作由国防技术与工程局（DSTA）赞助。纸张链接：https：//arxiv.org/pdf/2409.09479作者：Qiu，yuTian Chen，Zihao Zhang，Wenshan Wang和Sebastian Scher论文简介：本文（SLAM）算法在具有挑战性的数据集中。在本文的当前任务中，该模型着重于优化两框姿势。这个角色认为，未来的工作将集中在调整光束的方法，优化多框架和回环发现所带来的好处上。此外，本文计划采用了解多传感器融合的协方差模型，例如与惯性单位（IMU）融合。今年最好的学生文书工作中最好的学生论文获得了4个奖项。第一篇文章授予“删除一万个机器人：Carnegie Mellon University和新加坡国立大学的终身多代理路径搜索的可扩展模仿学习”。纸张链接：https：//arxiv.org/pdf/2410.21415作者：He Jiang，Yutong Wang，Rishi Veraperanmeni，Tanishq Harish Duhan，Guillaume Adrien Sartoretti论文简介：考试多阿琳·帕瑟计划（LMAPF）旨在免费找到持续的新目标。最近，该领域使用基于研究的方法来基于局部观测来生成单个动作，但仍然很难与高级算法进行比较，尤其是在主要情况下。这项研究提出了基于模仿研究的LMAPF求解器，并引入了新的通信模块以及单步碰撞和全球指导技术的解决。基于搜索方法，基于GPU研究和支持方法的快速推理，可伸缩的模仿学习算法（SILLM）具有相同的高分辨率基本质量。在六个大型地图（包括多达10,000个代理商）试验中，Sillm发布了最佳的研究算法并找到基线，平均吞吐量分别为13.7％和16.0％，并赢得了2023 International LMAPF竞争。最后，在模拟仓库中证明了Sillm，有10个真实和1个00虚拟机器人。第二篇文章是“ Shadowtac：来自彩色阴影的触觉膜的密集剪切测量和正常变形”，由Giuseppe Vitrani，Basile Pasquale和Michael Wiertlewski撰写。论文介绍：机器人需要通过丰富理解机制来处理对象。新的触觉传感器使用微型摄像头来实现相关的测量和信息获取。尽管逆转录感应可以研究物体的形状，但它看不到侧面的去除，而忽略了摩擦中的基本信息，并且很难做到宝石标记。本文提出了一个Shadowtac触觉传感器，该传感器将逆转录光影与由彩色阴影形成的非侵入性标记结合在一起。它的反射表面具有亚毫米凹坑图案，不会在视觉上阻塞，并且可以投影可见的阴影，可捕获可移除的密集正常和准确的田地，并且易于产生。审查后，它是依赖的能够进行测量，并可以有效地估算对象的初始幻灯片，适合监视机器人和操作对象之间的动态效果。第三篇文章是艾莉·王（Allie Wang），陈·江（Chen Jiang），迈克尔·普里兹斯塔帕（Michael Przystupa），贾斯汀·瓦伦丁（Justin Valentine）和马丁·贾格尔斯（Martin Jagersand）的论文“ Point and Go：Intuitive参考框架重新分配”，以辅助机器人技术为辅助机器人技术：适用于轮椅上的机器人手工操纵器，运行高度的富裕机器人机器人的用户。笛卡尔空间的移动模式存在问题，例如意外控制系统，分离控制和有限的运动。本文建议移动“点和GO”模式，并使用新的扫描动作来指定翻译轴以生成直观的空间，包括翻译和旋转模式，该模式结合了控制控制和最终效应器方向框架。在比较用户研究三个活动之后，该模式将任务完成的时间缩短了31％，停止了41％，以及模式传输小时数量的数量33％，并从用户获得了高度认可。第二篇文章介绍给了华盛顿大学Tinysense：更轻松的航空系统系统，非常适合飞行昆虫机器人，这项研究是由国家科学基金会的一部分资助的。 Paper Link: https://arxiv.org/pdf/2501.03416 May -Set: Zhitao Yu, Josh Tran, Claire Li, Aaron Weber, Yash P. Talwekar, and Sawyer Fuller Paper Introduction: This article introduces the development of the autonomous sensor suite flying flying robots (fir) Gram and uses fir technology.由于其轻巧的重量，因此可以实现大规模的部署和可扩展性。但是，其小规模带来了重大的控制挑战，包括高带宽动力学，有限的强度和有限的货物容量。虽然轻巧传感器的开发取得了进展，并且其中许多受到生物系统的启发，但AK级无人机却没有然而，在不依赖外部感应的情况下（例如动作系统采取系统）实现了不断的悬停。 Lu Cewu和Shao Lin Teamshas获得了最佳纸质奖。有了本文的最佳列表，每个最佳纸张奖与当前智能行业的关键主题密切相关。与去年角色的最佳方向相比，今年的颁奖纸已添加到机器人研究，运动和操作，计划和控制中。 ICRA 2025机器人操作和运动的最佳纸奖属于“ D（r，o）Grasp：统一的机器人代表和跨座位灵活性的统一互动”纸张链接：https：//arxiv.org/pdf/2410.01702作者： Jingxi，Jingxi，Hou，Chongkai Gau，Zhehao Cai，Jiayu Luo，Lin Shao的操作和运动是具体智能的两个主要方向，主题也被广泛讨论。了解Shao Lin的团队目前赢得奖项是在过去五年中，亚洲机构赢得了第一个单位奖。尤其是在文章中提出了一种改善灵巧抓手的新方法，特别是引入D（r或）符号，该方法捕获了与物体相互作用的机器人手的性质。与高度依赖于确定机器人的对象或表示形式的现有方法不同，此方法将通过统一的框架弥合差距，并在各种机器人和对象几何形状中进行良好训练。此外，该论文培训方法提高了模型适应各种手动调整的能力，使其适合多种机器人系统。实验结果证明，本文中的过程是成功率，差异和遵守计算的依从性。在ICRA 2025获奖者名单中，一支中国团队赢得了人与计算机联系领域的最佳纸张奖。纸张链接：https：//arxiv.org/pdf/2407.00299ICRA 2025最佳纸张奖F或机器人接触授予人类 - 苏港大学人工智能学院和Urbana -Champaign（UIUC）的伊利诺伊大学。在机器人操作领域，使机器人能够从人类演示中学习技能的能力始终是一项重大的研究挑战。传统的远程操作系统依靠人们控制机器人来完成任务。但是，诸如差异不同的生理结构和缺乏触觉反馈的问题导致数据收集不佳，并且操作员将知道有十一人花费大量精力来重复任务。例如，在基于可见的远程操作中，尽管使用了高级的3D估计算法，但手动移动之间的映射误差和机器人末端的效果显着影响了操作的准确性。尤其是在接触密集型的活动中，例如开放抽屉和使用工具，人们很难通过视力准确控制力量和角度，结果较低的成功率和长时间。为了解决上述问题，研究团队吸收并继承了传统的自主性共享思想，并深入整合了数据获取和模型培训的两个过程，因此数据提取可以伴随模型培训的促进。人类准则联合学习（HAJL）概述表明，联合研究（HAJL）的Theoutline通过更改“人类代理联合学习”范式来研究机器人技能的高质量数据提取和低效率的主要问题。与传统方法相比，数据收集的成功率增加了30％，并且收集速度几乎是两倍，同时减少了人类运营商的适应性需求。可扩展的体现和大规模训练奠定了基础。具体而言，联合联合研究（HAJL）的主要部分是通过共享控制来实现人们与学习代理之间的合作机制。情节引入了助理代理的传播模型，其中包括人类的行为和Pagsproxy通过“正向扩散 - 反向倾向”过程：前进过程增加人类行为中的高斯噪声，模仿操作中的不确定性；反向过程，指示通过神经网络进行噪声动作，以产生考虑人类意图和代理库的伙伴关系。通过调整“控制比”γ（0是完全手动的，1是完全自主），人们只需要提供高级意图（例如“捕获对象”），而代理自动完成了基础动作细节（例如弯曲手指的角度）。例如，在选择一个卵的任务中，在人分配目标抓取之后，代理会根据历史记录数据自动计算最佳握力强度，以使其由于过度的控制控制而造成的损害。重复此过程，并且代理商继续进行。折痕并表示噪声，逐渐优化了人的初始运动，并最终获得了高质量和准确的操作结果。在培训开始时，研究人员将收集少量数据，并使用少量数据开始模型培训。目前，由于数据不足，该模型将无法正确完成目标任务，但可能对任务有一般的了解，或者某些技能可能会掌握一些简单的任务链接。因此，研究人员将允许该模型开始与远程操作员共享机器人控制。此共享控件将使数据收集过程变得容易。例如，可能只需要一个人才能将手稍微移向目标位置，而机器人手臂可以在人类控制和模型下移动到目标位置附近的状态。这样，收藏家可以更快，更容易地收集数据；随着数据的积累，模型的能力将逐渐提高，研究人员C逐渐增加模型共享的控制权重，并且数据收集将更加容易，直到模型完全符合目标任务为止。获得数据和培训模型的过程同时完成。本文背后的更深入的想法是，他认为远程操作数据收集培训模型本质上是一种机器人指导系统，而在毫米 / / / /大的情况下，毫米的手持远程操作应该是一种过时的教学，良好的教学就像是教人的人一样的dapat。在许多情况下，需要语言甚至肢体语言才能理解一个要点，所需的手术需要时间和费力的指导。这篇文章的背后是探索更灵活的教学天堂。在模拟环境中，研究团队尝试了6种类型的活动（包括灵巧的手和下颌操作），结果表明，成功率高30％：例如，在使用T的任务中OOL，共享控制模式的成功率从42％Manu -Manu -Manu -66.5％提高；集合的速度加倍：选择和放置任务的效率从176个样本/时间增加到320个样本/时间；轨迹更有效：在动作的连贯性下，平均轨迹长度降低了40％。在实际的物理实验中，基于Flexiv Rizon4机器人组和Realsense相机的测试表明，与纯人类数据相比，在共享模型培训模型中收集的数据，并且某些活动（例如推送立方体）更好。用户反馈还确认，该系统的运作负担大大减轻了运营的负担，并易于使用和满意，分别达到Cronbach的α= 0.852和α= 0.769。本文的共同作品是Luo Shengcheng，Peng Quanquan（ACM班上的上海初中生）和LuJun。ChuangzhiCollege）。相应的作者是李Yonglu（UIUC的助理教授和上海Chuangzhi学院的全职导师）。参考参考：https：//2025.iee-cra.org/program/awards-and-and-centers/