Destaques da ICRA 2026: Aprendizado por Reforço, Geração de Comportamentos Complexos e o Futuro da Robótica

Na ICRA 2026 em Viena, os principais tópicos incluíram Aprendizado por Reforço, geração de cenários de comportamento complexos e o futuro da robótica. O Prêmio de Melhor Artigo de Conferência foi para SymSkill, por manipulação de longo horizonte com eficiência de dados, e OmniRetarget, por loco-manipulação de corpo inteiro em humanoides. Em Aprendizado de Robôs, um artigo sobre aprendizado de políticas invariantes à visão com condicionamento de câmera ('Você Sabe Onde Sua Câmera Está?') mostrou que modelos VLA degradam significativamente quando as câmeras são movidas, e propôs codificar as posições das câmeras via coordenadas de Plücker por pixel, melhorando o desempenho mesmo sem randomização de câmera. Em Percepção Robótica, FindAnything apresentou um sistema de mapeamento centrado em objetos com vocabulário aberto, usando múltiplos modelos de base para exploração. Nos workshops, World Engine, da Huawei, NVIDIA Research e OpenDriveLab, permitiu que um carro autônomo dirigisse 200 km em Xangai sem intervenção, com código lançado como open-source. A NVIDIA anunciou o desafio AlpaSim com um conjunto de dados de 25 países, 2.500 cidades e 1.700 horas de direção. Outros trabalhos notáveis incluem Residual Off-Policy RL para ajuste fino de políticas de clonagem de comportamento (Amazon Frontier AI & Robotics), FP3 (Política de Base 3D usando codificador Uni3D), Search3D (segmentação 3D hierárquica de vocabulário aberto) e COMPASS (estrutura de política de mobilidade cross-embodiment da NVIDIA Research). Em direção autônoma, o Enhanced Generalizável Guiado por Difusão, da Waabi AI, melhorou a reconstrução 3D perto de trilhas, Attention BEV aprimorou a fusão BEV com blocos de atenção, TreeIRL combinou MCTS com IRL para direção urbana segura em Las Vegas, e um sistema para anotar eventos de AEB atrasados e falsos abordou desequilíbrio extremo de classes e ruído de rótulos. Outro artigo propôs aprender a dirigir imitando veículos ao redor, usando cenas do nuPlan e transformando as trajetórias de bons agentes para a perspectiva do ego.