ICRA 2026｜山西大學本科生一作：TacTip動態觸覺流實現力估計與力跟蹤
重點摘要
原文作者：公眾號“CCF太原分部“原文鏈接：https://mp.weixin.qq.com/s/qWB_shGkHy23EgRFrxr1Jw 近日，論文錄用結果正式發佈，山西大學大數據科學與產業研究院、演化科學智能山西省重點實驗室、人工智能學院陳路團隊在觸覺力估計方向的成果“TacTip-based Dynamic Contact Force Estimation with Sequential Tactile Images and Its Applications to Robotic Force Tracking”被大會接收。該論文第一作者為山西大學計算機與信息技術學院2023級本科生謝宛桐，通訊作者為山西大學大數據科學與產業研究院副教授陳路，合作者為鹿振宇（華南理工大學）、劉京陽（山西大學）、楊佳龍（華南理工大學）和楊辰光（University of Liverpool，利物浦大學）。ICRA是機器人領域規模最大、影響最廣泛的頂級學術會議之一，由IEEE機器人與自動化學會（IEEE Robotics and Automation Society, RAS）主辦，覆蓋機器人感知、運動控制、人機交互等核心領域，自1984年起每年舉辦一屆，截至2025年已連續舉辦四十二屆，會議彙集了全球頂尖的機器人研究者、工程師和產業界人士。ICRA 2026將於2026年6月1日-5日在奧地利維也納會議中心舉辦，本屆會議以“Robots for All（機器人惠及所有人）”為主題。ICRA 2026目前共收到來自全球86個國家和地區4947篇投稿論文，最終錄用1882篇（錄取率為38.04%），這表明了國際機器人學術研究的熱度持續升高。力估計在機器人操作、人機交互及工業自動化領域至關重要。然而，傳統方法常受限於成本高昂、機械磨損等挑戰，且在動態場景中估計精度不足。視、觸覺感知為該問題提
原文作者：公眾號“CCF太原分部“原文鏈接：https://mp.weixin.qq.com/s/qWB_shGkHy23EgRFrxr1Jw 近日，論文錄用結果正式發佈，山西大學大數據科學與產業研究院、演化科學智能山西省重點實驗室、人工智能學院陳路團隊在觸覺力估計方向的成果“TacTip-based Dynamic Contact Force Estimation with Sequential Tactile Images and Its Applications to Robotic Force Tracking”被大會接收。該論文第一作者為山西大學計算機與信息技術學院2023級本科生謝宛桐，通訊作者為山西大學大數據科學與產業研究院副教授陳路，合作者為鹿振宇（華南理工大學）、劉京陽（山西大學）、楊佳龍（華南理工大學）和楊辰光（University of Liverpool，利物浦大學）。ICRA是機器人領域規模最大、影響最廣泛的頂級學術會議之一，由IEEE機器人與自動化學會（IEEE Robotics and Automation Society, RAS）主辦，覆蓋機器人感知、運動控制、人機交互等核心領域，自1984年起每年舉辦一屆，截至2025年已連續舉辦四十二屆，會議彙集了全球頂尖的機器人研究者、工程師和產業界人士。ICRA 2026將於2026年6月1日-5日在奧地利維也納會議中心舉辦，本屆會議以“Robots for All（機器人惠及所有人）”為主題。ICRA 2026目前共收到來自全球86個國家和地區4947篇投稿論文，最終錄用1882篇（錄取率為38.04%），這表明了國際機器人學術研究的熱度持續升高。力估計在機器人操作、人機交互及工業自動化領域至關重要。然而，傳統方法常受限於成本高昂、機械磨損等挑戰，且在動態場景中估計精度不足。視、觸覺感知為該問題提供了一種極具潛力的解決方案，但現有方法多依賴靜態標定，在滑移等動態交互過程中性能會顯著下降。為克服上述侷限，該論文提出一種適用於TacTip傳感器的新型力預測框架，該框架集成動態觸覺流編碼器以捕捉時空特徵，實現對動態力變化的精準建模，為機器人動態力控制提供了新的技術方案。不同幀差分方法在動態交互中的觸覺特徵響應對比圖中，直觀驗證了該論文提出的觸覺流差分法在捕捉細微接觸變化上的優勢，為高精度力估計提供了關鍵視覺依據。此外，在不同滑移速度下進行動態滑移場景的機器人力跟蹤性能驗證，直觀展示了機器人搭載TacTip傳感器在粗糙表面滑移時（跨越兩個螺母障礙物）的力跟蹤效果，進一步驗證了該論文方法在真實動態交互中的實用性與穩定性。該研究工作得到了國家自然科學基金項目（62373233）、山西省專利轉化計劃項目（20250012）、中央高校基本科研業務費項目（2025ZYGXZR057）、山西省中央引導地方科技發展資金項目（YDZJSX20231B001）以及山西省科技創新領軍人才團隊等項目的支持。 雷峰網
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。