跳到正文
切换到脑机前沿 ↗

NEWS

资讯

IN FOCUS

重点报道

近期值得关注

哥大李昀烛团队在 IROS 2026 介绍 FlexiTac 触觉传感器开源进展

哥伦比亚大学李昀烛团队在 IROS 2026 触觉专题研讨会上介绍了开源压阻式柔性触觉传感器平台 FlexiTac 开源一年半后的进展与生态。该传感器采用 FPC 与力敏薄膜层叠结构,组装约需 3 分钟,可弯曲裁剪并适配手套、指尖或机器人皮肤,团队开源了完整 BOM、组装说明和读取数据的软件,并集成进 LeRobot 与 SO-100 机械臂工作流。

雷峰网 · 机器人精选报道

热点榜 ↗

10.19 — 10.25

  1. 01
  2. 02
  3. 03
  4. 04
  5. 05
  6. 06
  7. 07
  8. 08
  9. 09
  10. 10
查看完整榜单 ↗

LATEST

最新资讯

按时间更新
  1. arXiv · cs.RO64

    Kairos 提出按语义调度多规划引擎,覆盖经典、数值、时序与混合 PDDL

    Kairos 提出按任务语义从五个规划引擎中选择并统一调度,覆盖从 STRIPS 到 PDDL+ 的多种 PDDL 片段。在九个对比套件的 1,756 个任务上,它在完整时限内解出的任务数多于各套件中最强的被评估规划器,在数值、时序、PDDL3 和 PDDL+ 上差距最大,在 100 ms 和 1 s 时限下解出任务也最多。

    推荐理由:论文给出跨经典、数值、时序与混合 PDDL 的多引擎调度方案,并公开规划器与基准,便于比较不同规划器的覆盖与延迟。

  1. arXiv · cs.RO67

    RESPLE2:惯性先验递归非均匀样条多传感器里程计与全局优化

    RESPLE2 提出一种基于非均匀 B 样条的递归多传感器状态估计框架,用于 6-DoF 运动表示。该方法利用样条节点夹持边界性质,由惯性运动学直接预测控制点,并在迭代扩展卡尔曼滤波中用部分惯性测量完成预测,更新步骤按原始时间戳融合 LiDAR、相机、IMU 与腿部运动学。

    推荐理由:论文给出惯性先验驱动的非均匀B样条多传感器里程计方法,并公开代码与实验数据集,便于对照多平台动态场景的估计精度。

  1. arXiv · cs.RO75

    RoboJev-27B 开源机器人操作成功检测视觉语言裁判模型

    RoboJev-27B 是一个开放权重的视觉语言模型,输入任务指令与 10 帧操作画面,预测机器人是否完成任务。它在同型号 SO-101 的 268 个留出回合上取得 95.2% 平衡准确率和 0.993 AUROC,在未见实验室/机器人采集的 459 个回合上 AUROC 为 0.890。

    推荐理由:RoboJev-27B 给出机器人操作成功检测的开放权重模型与完整评测记录,可用于比较不同成功判定方案。

  2. arXiv · cs.RO63

    B-Adapt与BVSLAM:用自适应多曝光包围提升视觉SLAM鲁棒性

    作者提出B-Adapt与BVSLAM两种方法,用于缓解快速光照变化导致视觉SLAM图像饱和、跟踪丢失的问题。B-Adapt采集自适应曝光包围以覆盖场景动态范围并保持光度重叠,BVSLAM直接把多曝光序列作为因子图状态估计的约束,不依赖HDR合成。

    推荐理由:论文把自适应曝光包围与多曝光因子图估计结合,在隧道出口光照突变场景给出误差对比,可供视觉SLAM鲁棒性研究参考。

  1. arXiv · cs.RO63

    BM2PC:面向可变形线性物体动态操作的贝叶斯多模态MPC框架

    论文提出BM2PC,一个用于可变形线性物体敏捷操作的贝叶斯多模态MPC框架,将多模态规划建模为集合优化问题,并加入执行动力学模型补偿快速操作中的执行偏差。在绳索跟踪与避障的仿真和硬件实验中,BM2PC在最长任务上把RMSE降低44.0%,避障性能与现有多模态MPC方法相当,规划时间减少29%至66%。

    推荐理由:论文提出面向可变形线性物体动态操作的多模态MPC框架,并给出仿真与实机跟踪、避障的量化对比。

  1. arXiv · cs.RO71

    GGraph:面向机器人部署与学习的 GPU 加速图库开源发布

    Yash Rampuria 等作者提出开源 GPU 加速图库 GGraph,同时支持真实机器人部署和大规模策略训练。GGraph 通过 ROS 2 接口接入真实机器人,并支持向量化 GPU 策略训练,内置 3-D 导航、探索和回环整合等任务。单机器人运行时图更新为毫秒级,规模化训练可跨数百个并行机器人,训练实际耗时降低一个数量级;结果来自仿真与真实世界实验。

    推荐理由:GGraph 把图构建放到 GPU 上,并同时覆盖 ROS 2 部署与并行训练,为图表示机器人策略提供可复用基础设施。

已经到底了