Sorotan ICRA 2026: Pembelajaran Penguatan, Generasi Perilaku Kompleks, dan Masa Depan Robotika

Pada ICRA 2026 di Wina, topik utama meliputi Pembelajaran Penguatan (Reinforcement Learning), generasi skenario perilaku kompleks, dan masa depan robotika. Penghargaan Makalah Konferensi Terbaik diberikan kepada SymSkill untuk manipulasi jangka panjang yang efisien data dan OmniRetarget untuk lokomanipulasi seluruh tubuh humanoid. Dalam Pembelajaran Robot, sebuah makalah tentang pembelajaran kebijakan yang invarian terhadap pandangan dengan pengkondisian kamera (Tahukah Anda Di Mana Kamera Anda?) menunjukkan bahwa model VLA menurun secara signifikan ketika kamera dipindahkan, dan mengusulkan pengkodean posisi kamera melalui koordinat Plücker per piksel, meningkatkan kinerja bahkan tanpa pengacakan kamera. Dalam Persepsi Robot, FindAnything menyajikan sistem pemetaan berpusat objek dengan kosakata terbuka menggunakan beberapa model fondasi untuk eksplorasi. Di lokakarya, World Engine dari Huawei, NVIDIA Research, dan OpenDriveLab memungkinkan mobil otonom melaju sejauh 200 km di Shanghai tanpa intervensi, dengan kode dirilis secara sumber terbuka. NVIDIA mengumumkan tantangan AlpaSim dengan dataset dari 25 negara, 2500 kota, dan 1700 jam berkendara. Karya penting lainnya termasuk Residual Off-Policy RL untuk fine-tuning kebijakan cloning perilaku (Amazon Frontier AI & Robotics), FP3 (Kebijakan Fondasi 3D menggunakan encoder Uni3D), Search3D (segmentasi 3D kosakata terbuka hierarkis), dan COMPASS (kerangka kerja kebijakan mobilitas lintas-embodiment dari NVIDIA Research). Dalam mengemudi otonom, Enhancer Generalisasi Berpandu Difusi oleh Waabi AI meningkatkan rekonstruksi 3D di dekat lintasan, Attention BEV meningkatkan fusi BEV dengan blok perhatian, TreeIRL menggabungkan MCTS dengan IRL untuk berkendara perkotaan yang aman di Las Vegas, dan sistem untuk menganotasi peristiwa AEB yang tertunda dan salah menangani ketidakseimbangan kelas ekstrem dan noise label. Makalah lain mengusulkan belajar mengemudi dengan meniru kendaraan di sekitarnya, menggunakan skenario nuPlan dan mentransformasikan lintasan agen yang baik ke perspektif ego.