ICRA 2025 获奖名单出炉，卢策吾、邵林等人获分类最佳论文奖

摘要：2025年IEEE国际机器人与自动化大会（ICRA 2025）已于5月23日在美国亚特兰大·乔治亚世界会议中心落幕，最佳论文等奖项消息随之传来，其中上海交通大学卢策吾团队与新加坡国立大学邵林团队分别斩获 Best Paper 奖项。

中国机器人科研团队在国际学术会议上的存在感不断提高。

作者丨吴华秀

编辑丨陈彩娴

2025年IEEE国际机器人与自动化大会（ICRA 2025）已于5月23日在美国亚特兰大·乔治亚世界会议中心落幕，最佳论文等奖项消息随之传来，其中上海交通大学卢策吾团队与新加坡国立大学邵林团队分别斩获 Best Paper 奖项。

作为机器人与自动化领域最具影响力的国际顶级会议之一，ICRA 汇聚全球科研先锋、产业巨擘与创新力量，评选出的最佳论文通常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，吸引7000余名参会者。大会公布的Best Paper奖项共设12项，每项奖项的入围论文通常仅3篇，最终从中遴选出一篇最佳论文，竞争态势激烈。

其中上海交通大学卢策吾团队斩获“Best Paper Award on 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 Robot Manipulation and Locomotion”（机器人操作与运动最佳论文奖）。

1 Best Paper 花落谁家

ICRA 2025 共有 50 篇论文入围，其中最佳论文奖有 16 篇。

官网链接：https://2025.ieee-icra.org/program/awards-and-finalists/

最佳论文

本届 ICRA 总共评选出 2 篇最佳论文。

第一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共同发布的《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，并展示如何将这些表达式应用于对非线性流形进行线性化。尽管边缘化和条件化操作已得到了充分研究，但将其应用于非轴对齐流形的操作还未被充分理解。本文通过三个应用展示了这些表达式的效用：1）投影正态分布，随着问题非线性程度的增加，线性近似的质量也会提高；2）科普曼（Koopman）同时定位与地图构建（SLAM），展示了在真实世界数据集上，协方差收缩问题会随着非线性程度的增加而减轻；3）约束广义时间同步与空间感知（GTSAM），展示了在模拟中协方差收缩是一致的。

第二篇最佳论文属于来自卡内基梅隆大学、上海交通大学团队共同推出的《MAC-VO: Metrics-Aware Covariance for Learning-Based Stereo Visual Odometry》，这一工作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，一种基于学习的立体视觉里程计（VO）方法，其性能优于视觉里程计，甚至在具有挑战性的数据集上超越了同时定位与地图构建（SLAM）算法。在本文当前的工作中，模型聚焦于两帧姿态优化。本文认为未来的工作将集中在通过光束平差法、多帧优化和回环检测带来的优势上。此外，本文计划将此度量感知协方差模型应用于多传感器融合，例如与惯性测量单元（IMUs）融合。

最佳学生论文

今年的最佳学生论文一共有 4 篇获奖。

第一篇颁给了由卡内基梅隆大学、新加坡国立大学共同推出的《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：终身多智能体路径规划（LMAPF）旨在为不断有新目标的多个智能体找无碰撞路径。近来该领域用基于学习的方法，依局部观测生成单步动作，但要比肩先进算法仍具挑战，尤其在大规模场景。本研究提出基于模仿学习的 LMAPF 求解器，引入新通信模块及系统单步碰撞解决与全局引导技术。可扩展模仿学习算法（SILLM）兼具基于学习方法的快速推理和GPU加持下基于搜索方法的高求解质量。在六个大规模地图（含多达 10,000 智能体）测试中，SILLM 优于最佳学习和搜索基线算法，平均吞吐量分别提升 13.7% 和 16.0% ，还在 2023 年国际 LMAPF 竞赛胜出。最后，在模拟仓库用 10 个真实、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：机器人需通过丰富触觉感知机械作用以处理物体，新型触觉传感器借微型摄像头实现相关测量与信息提取。回射传感虽能解析物体形状，但无法检测横向位移，会忽略关键摩擦信息，而嵌入不透明标记物又难以制造。本文提出 ShadowTac 触觉传感器，将回射照明与彩色阴影形成的非侵入性标记物结合，其回射表面有亚毫米凹坑图案，不遮挡视觉且能投射可见阴影，可捕获密集法向和精确横向位移场，且易于制造。经评估，它测量可靠，能有效估计物体初始滑动，适合追踪机器人与操作物体间动态作用。

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：对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挑战，笛卡尔空间模式切换存在控制参考系不直观、控制分离及运动受限等问题。本文提出“Point and Go”模式切换，以新扫动动作定义平移轴构建直观动作空间，含平移与旋转模式，旋转模式结合位置控制与末端执行器定向框架。经三任务用户研究对比，该模式使任务完成时间减 31%、停顿减 41% 、模式切换次数减 33% ，且收获用户高度认可。

第四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》，本研究部分由美国国家科学基金资助。

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：本文介绍自主飞行昆虫机器人（FIR）传感器套件方面的进展，该机器人重量小于一克，采用 FIR 技术，因为其重量轻，所以有可能实现大规模部署和可扩展性。然而，其尺寸小带来了显著的控制挑战，包括高带宽动力学、功率受限以及有效载荷能力有限等问题。虽然在开发轻量级传感器方面已有进展，且许多灵感源自生物系统，但亚克级无人机仍无法实现无需依赖外部传感（如运动捕捉系统）的持续悬停。

2 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前具身智能产业界的重点议题紧密呼应。相较于去年的最佳论文方向，今年新增了机器人学习、运动与操作、规划与控制等方向的奖项论文。

ICRA 2025 机器人操作与运动最佳论文奖属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重点方向，也是广受探讨的议题。据了解，邵林团队此次获奖，是近五年来亚洲机构首次以第一单位身份斩获该奖项。

文中提出一种用于改进灵巧抓取的新方法，即引入 D(R,O) 表示法，该方法捕捉了机器人手与物体交互的本质。与现有的高度依赖物体或机器人特定表示的方法不同，该方法通过统一框架弥合了差距，能很好地在不同机器人和物体几何形状间通用。此外，本文训练方法增强了模型适应不同手构型的能力，使其适用于广泛的机器人系统。实验结果证实，本文方法在成功率、多样性和计算效率方面均有显著提升。

在 ICRA 2025 获奖名单中，一支中国团队荣获人机交互领域最佳论文奖。

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卢策吾团队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》。

在机器人操作领域，如何高效地让机器人从人类示范中学习技能一直是研究的核心挑战。传统遥操作系统依赖人类手动控制机器人完成任务，然而，生理结构差异、缺乏触觉反馈等问题导致数据收集效率低下，操作者需耗费大量精力重复执行任务。

例如，在基于视觉的遥操作中，即使使用先进的 3D 手势估计算法，手部动作与机器人末端执行器的映射误差仍显著影响操作精度，尤其在开抽屉、工具使用等接触密集型任务中，人类难以通过视觉精准控制力度和角度，导致数据收集成功率低、耗时长。

为解决上述难题，研究团队吸收继承了传统的 shared autonomy 的思想，将数据采集和模型训练两个过程深度耦合，使得数据采集能够伴随着模型训练的推进，提出 Human-Agent Joint Learning（HAJL）框架通过创新“人-智能体联合学习”范式，应对机器人操作技能学习中高质量数据获取成本高、效率低的核心难题，与传统方法相比，数据收集成功率提高了30%，收集速度几乎翻倍，同时减少人类操作员的适应需求。可扩展的具身数采和大规模训练奠定了基础。

具体而言，Human-Agent Joint Learning（HAJL）核心是通过动态共享控制机制，实现人类与学习型代理的协作。该框架引入扩散模型辅助代理，通过 “正向扩散 - 反向去噪” 过程融合人类动作与代理动作：

正向过程为人类动作添加高斯噪声，模拟操作中的不确定性；

反向过程则通过神经网络对噪声动作进行去噪，生成兼顾人类意图与代理优化的协作动作。通过调整 “控制比例 γ”（0 为全手动，1 为全自主），人类只需提供高层意图（如 “抓取物体”），代理自动补全底层动作细节（如手指弯曲角度）。例如，在拾取鸡蛋任务中，人类指定抓取目标后，代理可根据历史数据自动计算最佳抓握力度，避免因人工控制过紧导致物体损坏。

这个过程反复进行，智能体不断地加噪和去噪，逐步优化人类的初始动作，最终得到一个高质量、精确的操作结果。

在训练的开始阶段，研究者会收集少量的数据，并使用这些少量的数据开始进行模型的训练；此时的模型因为数据不足并不能很好的完成目标任务，但却可以对任务有大致的理解，或者能够在任务的某些简单环节掌握一定的技巧，因而研究者让模型开始与遥操作员共享对机器人的控制，这种共享控制会让数据采集的过程变得轻松。

例如人可能只需要将手朝着目标位置做比较轻微的移动，机械臂就可以在人与模型共享控制下移动到接近目标位置的状态。这样，采集员能够更快速更轻易地收集数据；而随着数据的积累，模型能力会逐渐增强，研究者也就可以将模型共享控制权重逐渐升高，数据采集也愈发轻松，直到模型能够完整的胜任目标任务；数据采集和模型训练过程也便同时完成了。

本文作者吕峻解释这背后的更深层的想法在于，其认为遥操作采集数据训练模型本质上是机器人的示教系统，而手把手的、一毫米对一毫米的遥操作应当是一种过时的示教，好的示教应当如同人类教人类一样——很多时候只需要语言甚至是肢体语言一点即通、必要的精细操作才需要手把手这样费时费力的指导，这篇文章的背后更多是希望去探索一种更加灵活的示教范式。

在模拟环境中，研究团队测试了 6 类任务（包括灵巧手和夹爪操作），结果表明：

成功率提升 30%：如工具使用任务中，共享控制模式成功率从纯手动的 42% 提升至 66.5%；

收集速度翻倍：拾取放置任务的效率从 176 样本 / 小时提升至 320 样本 / 小时；

轨迹更平滑：平均轨迹长度降低 40%，动作连贯性显著改善。

在真实物理实验中，基于 Flexiv Rizon4 机械臂和 RealSense 相机的测试显示，共享控制模式收集的数据训练出的模型性能与纯人类数据相当，部分任务（如推立方体）甚至更优。用户反馈也证实，系统显著降低了操作负担，易用性和满意度评分分别达到 Cronbach’s α=0.852 和 α=0.769。

这篇论文的共同一作分别为罗盛成、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，之前为卢策吾老师博士生）。

参考链接：https://2025.ieee-icra.org/program/awards-and-finalists/