2025 年 IEEE 世界机器人与主动化大会（ICRA 2025）已于 5 月 23 日在美国亚特兰大·乔治亚世界会议中心闭幕 ，获奖最佳论文等奖项音讯随之传来 ，名单 其间上海交通大学卢策吾团队与新加坡国立大学邵林团队别离斩获 Best Paper 奖项 。出炉
作为机器人与主动化范畴最具影响力的卢策林等论文世界尖端会议之一 ，ICRA 会聚全球科研前锋、吾邵工业巨头与立异力气 ，人获评选出的分类最佳论文一般代表着前沿技术与重大突破 。
本次 ICRA 2025 共收到全球超 3000 篇论文投稿 ，最佳招引 7000 余名参会者 。获奖大会发布的名单 Best Paper 奖项共设 12 项 ，每项奖项的出炉入围论文一般仅3篇 ，终究从中遴选出一篇最佳论文 ，卢策林等论文比赛态势剧烈。吾邵
其间上海交通大学卢策吾团队斩获“Best Paper Award on 人获Human-Robot Interaction”（人机交互最佳论文奖），新加坡国立大学助理教授邵林团队荣获“Best Paper Award on 分类Robot Manipulation and Locomotion”（机器人操作与运动最佳论文奖） 。
Best Paper 花落谁家 。
ICRA 2025 共有 50 篇论文入围 ，其间最佳论文奖有 16 篇 。
官网链接 ：https://2025.ieee-icra.org/program/awards-and-finalists/ 。
最佳论文 。
本届 ICRA 一共评选出 2 篇最佳论文 。
榜首篇最佳论文颁给了由加拿大多伦多大学、蒙特利尔麦吉尔大学一起发布的《Marginalizing and Conditioning Gaussians Onto Linear Approximations of Smooth Manifolds with Applications in Robotics》 。
论文链接：https://arxiv.org/pdf/2409.09871 。
作者 ：Zi Cong Guo, James Richard Forbes, and Timothy Barfoot 。
论文介绍 ：本文给出对高斯分布进行边缘化和条件化到线性流形上的闭式表达式 ，并展现怎么将这些表达式运用于对非线性流形进行线性化 。虽然边缘化和条件化操作已得到了充沛研讨 ，但将其运用于非轴对齐流形的操作还未被充沛了解 。本文经过三个运用展现了这些表达式的功效 ：1）投影正态分布 ，跟着问题非线性程度的增加 ，线性近似的质量也会进步；2）科普曼（Koopman）一起定位与地图构建（SLAM），展现了在实在世界数据集上 ，协方差缩短问题会跟着非线性程度的增加而减轻；3）束缚广义时刻同步与空间感知（GTSAM） ，展现了在仿照中协方差缩短是一起的 。
第二篇最佳论文归于来自卡内基梅隆大学 、上海交通大学团队一起推出的《MAC-VO: Metrics-Aware Covariance for Learning-Based Stereo Visual Odometry》 ，这一作业由国防科技与工程局（DSTA）赞助 。
论文链接 ：https://arxiv.org/pdf/2409.09479 。
作者 ：Yuheng Qiu, Yutian Chen, Zihao Zhang, Wenshan Wang, and Sebastian Scherer 。
论文介绍 ：本文提出了MAC-VO，一种根据学习的立体视觉里程计（VO）办法 ，其功能优于视觉里程计 ，乃至在具有应战性的数据集上逾越了一起定位与地图构建（SLAM）算法 。在本文当时的作业中 ，模型聚集于两帧姿势优化 。本文以为未来的作业将会集在经过光束平差法、多帧优化和回环检测带来的优势上 。此外 ，本文方案将此衡量感知协方差模型运用于多传感器交融，例如与惯性丈量单元（IMUs）交融 。
最佳学生论文 。
本年的最佳学生论文一共有 4 篇获奖。
榜首篇颁给了由卡内基梅隆大学 、新加坡国立大学一起推出的《Deploying Ten Thousand Robots: Scalable Imitation Learning for Lifelong Multi-Agent Path Finding》。
论文链接 ：https://arxiv.org/pdf/2410.21415。
作者 ：He Jiang, Yutong Wang, Rishi Veerapaneni, Tanishq Harish Duhan, Guillaume Adrien Sartoretti, Jiaoyang Li 。
论文介绍 ：终身多智能体途径规划（LMAPF）旨在为不断有新方针的多个智能体找无磕碰途径 。近来该范畴用根据学习的办法 ，依部分观测生成单步动作 ，但要比肩先进算法仍具应战，尤其在大规模场景。本研讨提出根据仿照学习的 LMAPF 求解器 ，引进新通讯模块及体系单步磕碰处理与大局引导技术 。可扩展仿照学习算法（SILLM）兼具根据学习办法的快速推理和GPU加持下根据查找办法的高求解质量 。在六个大规模地图（含多达 10,000 智能体）测验中 ，SILLM 优于最佳学习和查找基线算法 ，均匀吞吐量别离提高 13.7% 和 16.0% ，还在 2023 年世界 LMAPF 比赛胜出 。终究 ，在仿照库房用 10 个实在 、100 个虚拟机器人验证了SILLM 。
第二篇是《ShadowTac: Dense Measurement of Shear and Normal Deformation of a Tactile Membrane from Colored Shadows》。
作者 ：Giuseppe Vitrani, Basile Pasquale, and Michael Wiertlewski 。
论文介绍 ：机器人需经过丰厚触觉感知机械效果以处理物体 ，新式触觉传感器借微型摄像头完结相关丈量与信息提取 。回射传感虽能解析物体形状 ，但无法检测横向位移 ，会疏忽要害冲突信息 ，而嵌入不透明符号物又难以制作 。本文提出 ShadowTac 触觉传感器，将回射照明与五颜六色暗影构成的非侵入性符号物结合 ，其回射表面有亚毫米凹坑图画 ，不遮挡视觉且能投射可见暗影 ，可捕获密布法向和准确横向位移场 ，且易于制作。经评价 ，它丈量牢靠 ，能有用估量物体初始滑动 ，合适追寻机器人与操作物体间动态效果 。
第三篇是《Point and Go: Intuitive Reference Frame Reallocation in Mode Switching for Assistive Robotics》 。
作者 ：Allie Wang, Chen Jiang, Michael Przystupa, Justin Valentine, and Martin Jagersand。
论文介绍 ：关于轮椅搭载机器人操纵器的用户而言 ，操作高自由度机器人颇具应战 ，笛卡尔空间形式切换存在操控参阅系不直观 、操控别离及运动受限等问题 。本文提出“Point and Go”形式切换 ，以新扫动动作界说平移轴构建直观动作空间，含平移与旋转形式 ，旋转形式结合方位操控与结尾执行器定向结构。经三使命用户研讨比照 ，该形式使使命完结时刻减 31% 、中止减 41% 、形式切换次数减 33% ，且收成用户高度认可 。
第二篇颁给华盛顿大学团队发布的《TinySense: A Lighter Weight and More Power-Efficient Avionics System for Flying Insect-Scale Robots》，本研讨部分由美国国家科学基金赞助。
论文链接：https://arxiv.org/pdf/2501.03416 。
作者 ：Zhitao Yu, Josh Tran, Claire Li, Aaron Weber, Yash P. Talwekar, and Sawyer Fuller 。
论文介绍 ：本文介绍自主飞翔昆虫机器人（FIR）传感器套件方面的发展 ，该机器人分量小于一克，选用 FIR 技术 ，由于其分量轻 ，所以有或许完结大规模布置和可扩展性。但是 ，其尺度小带来了明显的操控应战 ，包含高带宽动力学 、功率受限以及有用载荷才能有限等问题 。虽然在开发轻量级传感器方面已有发展 ，且许多创意源自生物体系 ，但亚克级无人机仍无法完结无需依靠外部传感（如运动捕捉体系）的继续悬停 。
卢策吾 、邵林团队摘获最佳论文奖 。
在本次最佳论文名录里 ，各单项最佳论文奖项与当时具身智能工业界的要点议题严密照应 。相较于上一年的最佳论文方向 ，本年新增了机器人学习、运动与操作 、规划与操控等方向的奖项论文 。
ICRA 2025 机器人操作与运动最佳论文奖归于新加坡国立大学助理教授邵林团队的《D(R,O) Grasp: A Unified Representation of Robot and Object Interaction for Cross-Embodiment Dexterous Grasping》 。
论文链接 ：https://arxiv.org/pdf/2410.01702 。
作者：Zhenyu Wei 、Zhixuan Xu 、Jing翔Guo 、Yiwen Hou 、Chongkai Gau 、Zhehao Cai 、Jiayu Luo 、Lin Shao 。
操作与运动是具身智能两大要点方向 ，也是广受讨论的议题。据了解 ，邵林团队此次获奖 ，是近五年来亚洲组织初次以榜首单位身份斩获该奖项 。
文中提出一种用于改进灵敏抓取的新办法 ，即引进 D(R,O) 表明法 ，该办法捕捉了机器人手与物体交互的实质。与现有的高度依靠物体或机器人特定表明的办法不同 ，该办法经过一致结构弥合了距离，能很好地在不同机器人和物体几许形状间通用 。此外 ，本文练习办法增强了模型习惯不同手构型的才能 ，使其适用于广泛的机器人体系 。试验成果证明 ，本文办法在成功率 、多样性和核算功率方面均有明显提高 。
在 ICRA 2025 获奖名单中 ，一支我国团队荣获人机交互范畴最佳论文奖。
论文链接 ：https://arxiv.org/pdf/2407.00299 。
ICRA 2025 机器人交互最佳论文奖颁给由上海交通大学人工智能学院和伊利诺伊大学厄巴纳-香槟分校（UIUC）联合推出的《Human - Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition》 。
在机器人操作范畴，怎么高效地让机器人从人类演示中学习技术一直是研讨的中心应战 。传统遥操作体系依靠人类手动操控机器人完结使命 ，但是 ，生理结构差异 、缺少触觉反应等问题导致数据搜集功率低下 ，操作者需消耗许多精力重复执行使命 。
例如 ，在根据视觉的遥操作中 ，即便运用先进的 3D 手势估量算法，手部动作与机器人结尾执行器的映射差错仍明显影响操作精度 ，尤其在开抽屉 、东西运用等触摸密布型使命中 ，人类难以经过视觉精准操控力度和视点 ，导致数据搜集成功率低 、耗时长 。
为处理上述难题 ，研讨团队吸收承继了传统的 shared autonomy 的思维 ，将数据搜集和模型练习两个进程深度耦合 ，使得数据搜集可以伴跟着模型练习的推动 ，提出 Human-Agent Joint Learning（HAJL）结构经过立异“人-智能体联合学习”范式 ，应对机器人操作技术学习中高质量数据获取本钱高 、功率低的中心难题 ，与传统办法比较 ，数据搜集成功率进步了30% ，搜集速度简直翻倍 ，一起削减人类操作员的习惯需求 。可扩展的具身数采和大规模练习奠定了根底 。
详细而言 ，Human-Agent Joint Learning（HAJL）中心是经过动态同享操控机制，完结人类与学习型署理的协作 。该结构引进分散模型辅佐署理，经过 “正向分散 - 反向去噪” 进程交融人类动作与署理动作 ：
正向进程为人类动作增加高斯噪声 ，仿照操作中的不确定性；
反向进程则经过神经网络对噪声动作进行去噪 ，生成统筹人类目的与署理优化的协作动作 。经过调整 “操控份额 γ”（0 为全手动 ，1 为全自主），人类只需供给高层目的（如 “抓取物体”） ，署理主动补全底层动作细节（如手指曲折视点） 。例如 ，在拾取鸡蛋使命中 ，人类指定抓取方针后 ，署理可根据历史数据主动核算最佳抓握力度 ，防止因人工操控过紧导致物体损坏 。
这个进程重复进行 ，智能体不断地加噪和去噪，逐步优化人类的初始动作，终究得到一个高质量 、准确的操作成果。
在练习的开端阶段 ，研讨者会搜集少数的数据，并运用这些少数的数据开端进行模型的练习；此刻的模型由于数据缺乏并不能很好的完结方针使命，但却可以对使命有大致的了解 ，或许可以在使命的某些简略环节把握必定的技巧 ，因此研讨者让模型开端与遥操作员同享对机器人的操控，这种同享操控会让数据搜集的进程变得轻松 。
例如人或许只需求将手朝着方针方位做比较细微的移动 ，机械臂就可以在人与模型同享操控下移动到挨近方针方位的状况 。这样，搜集员可以更快速更轻易地搜集数据；而跟着数据的堆集 ，模型才能会逐步增强 ，研讨者也就可以将模型同享操控权重逐步升高 ，数据搜集也益发轻松 ，直到模型可以完好的担任方针使命；数据搜集和模型练习进程也便一起完结了 。
本文作者吕峻解说这背面的更深层的主意在于 ，其以为遥操作搜集数据练习模型实质上是机器人的示教体系 ，而手把手的 、一毫米对一毫米的遥操作应当是一种过期的示教，好的示教应当好像人类教人类相同——许多时分只需求言语乃至是肢体言语一点即通 、必要的精密操作才需求手把手这样费时吃力的辅导 ，这篇文章的背面更多是希望去探究一种愈加灵敏的示教范式 。
在仿照环境中，研讨团队测验了 6 类使命（包含灵敏手和夹爪操作） ，成果表明 ：
成功率提高 30% ：如东西运用使命中 ，同享操控形式成功率从纯手动的 42% 提高至 66.5%；
搜集速度翻倍 ：拾取放置使命的功率从 176 样本 / 小时提高至 320 样本 / 小时；
轨道更滑润 ：均匀轨道长度下降 40% ，动作连贯性明显改进。
在实在物理试验中 ，根据 Flexiv Rizon4 机械臂和 RealSense 相机的测验显现 ，同享操控形式搜集的数据练习出的模型功能与纯人类数据适当 ，部分使命（如推立方体）乃至更优 。用户反应也证明 ，体系明显下降了操作担负 ，易用性和满意度评别离离到达 Cronbach’s α=0.852 和 α=0.769。
这篇论文的一起一作别离为罗盛成 、彭泉泉（上交ACM班大三本科生） 、吕峻 ，合作者为 Kaiwen Hong（UIUC） 、Katherine Rose Driggs-Campbell（UIUC助理教授） 、卢策吾（上交人工智能学院教授 、副院长 ，上海创智学院副院长） ，通讯作者为李永露（上交人工智能学院助理教授 、上海创智学院全时导师）。
参阅链接 ：https://2025.ieee-icra.org/program/awards-and-finalists/。
(大众号：)。
原创文章，未经授权制止转载 。概况见转载须知 。