采用遗传算法和A*算法结合层次分析法（AHP）进行路径规划，提升连续机器人韧性，路径多样性增强抗损伤能力。
Oxana Shamilyan, Ievgen Kabin, Zoya Dyka 等
提出一种结合自适应鲁棒损失、IRLS和MWCD的联合状态与协方差估计框架，能在含异常和非高斯噪声环境中自动调节参数，精确恢复测量协方差。
Alexandre Hadji-Thomas, Andrew Stirling, James R. Forbes
提出DO AS I DO算法，从单目RGB视频重建并迁移人类手部操作数据，用于机器人多指操控，超越现有方法。
Bhawna Paliwal, Haritheja Etukuru, William Liang 等
提出锚定特征参数化的可观测性与一致性分析，实验显示其提升VINS的估计一致性。
Mitchell Cohen, Vassili Korotkine, James Richard Forbes
提出VERITAS框架，通过推理时验证提升机器人策略性能，无需额外训练，验证提升成功率达10%。
Mingtong Zhang, Dhruv Shah
R2RDreamer通过3D感知数据增强，提升二维操控策略的空间泛化能力，利用2D视频空间的视觉补全实现高效仿真增强。
Xiuwei Xu, Haowen Sun, Angyuan Ma 等
提出MoE-RM-SRL框架，结合安全距离、奖励机与专家混合模型，实现高速公路自主驾驶的安全与高效。
Chufei Yan, Zhihao Cui, Yiyan Lv 等
提出Flow Reversal Steering（FRS）方法，通过反向流模型将粗略动作映射到高质量行动，显著提升机器人多任务策略的零-shot控制和快速学习能力。
Andy Tang, William Chen, Andrew Wagenmaker 等
提出基于解剖结构先验的MCR-Bionic手，结合骨骼、韧带、肌腱等结构实现高仿生的灵巧操控。
Haosen Yang, Guowu Wei
本文提出DIRECT，通过多模态场景上下文动态分配测试时计算资源，有效提升机器人规划性能，降低65%的延迟。
Jadelynn Dao, Milan Ganai, Yasmina Abukhadra 等
提出基于Transformer的DAR-Net模型，结合像素级场景监督，识别水下多人与机器人合作中的六类潜水员活动，利用首个水下潜水员活动数据集UDA，显著优于现有模型。
Sadman Sakib Enan, Junaed Sattar
基于MARUS的虚拟海试框架，通过命令-执行追溯实现IMO/ITTC标准的USV转向性能数据采集与系统识别。
Paria Rezayan
JOIN系统通过 opposition-score 和任务导向操控性实现异构双臂协作，成功率达95%。
Drake Moore, Matt Cheng, Xiang Zhi Tan 等
本文提出基于描述符的分布式多地面机器人（UGV）探索框架，结合环路检测和层次规划，显著提升资源有限环境中的探索效率与定位精度，关键指标AR@1达89.9%。
Zhiwei Li, Haiou Liu, Xijun Zhao 等
本文提出基于大语言模型（LLM）的自主驾驶成本优化框架，通过自然语言交互实现动态调节，结合MPPI控制实现安全与个性化驾驶。
Diego Martinez-Baselga, Khaled Mustafa, Javier Alonso-Mora
MemoryVLA++结合记忆与想象实现机器人长时序建模，显著提升任务成功率。
Hao Shi, Weiye Li, Bin Xie 等
iMaC将未来机器人动作转化为图像控制，提升视频预测和任务执行的空间表达能力。
Zhenyu Wu, Xiuwei Xu, Yukun Zhou 等
提出Difference-Aware Retrieval Policies (DARP)，通过邻域差异重参数化提升行为克隆的鲁棒性，性能提升15-46%。
Quinn Pfeifer, Ethan Pronovost, Paarth Shah 等
提出Transferability与Predictability扩展ISO 26262，提升自动驾驶系统的控制性与可预期性。
Chaitanya Shinde, Hadi Hajieghrary, Paul Schmitt 等
提出基于模拟的模仿学习框架，自动生成多样化的手势示范，提升无生理信号的假肢抓取成功率至90%以上。
Kaijie Shi, Wanglong Lu, Huiling Chen 等