RSS 2026 Robotics Interactive Insight Dashboard

RSS 2026 논문 JSON 210편을 세션, AI method motif, robotics coupling, reading priority 관점으로 재구성한 단일 HTML 대시보드야. 단순 목록이 아니라 “어떤 AI 아이디어가 어떤 로봇 병목을 푸는가”를 빠르게 훑고, 논문/제안서 아이디어로 연결할 수 있게 만들었어.

Source: rss2026_papers_fulltext.json · 210 papers Full-text extraction: 210 ok · 17,211,439 chars Standalone HTML · no external JS dependency
Filtered papers
210
현재 필터에서 남은 논문 수
Core reading
40
자동 score 기반 우선 읽기 후보
Top session
Humanoids
13 papers
Top AI motif
Control/Dynamics
30 papers
Top robot coupling
Manipulation
52 papers
Avg. pages
12.0
PDF page count 평균
Interpretation layer

분포를 읽는 핵심 렌즈

아래 카드는 빈도표가 아니라 논문/과제 아이디어를 만드는 해석 레이어야. chip을 누르면 해당 축으로 바로 필터링돼.

Session distribution

막대를 클릭하면 해당 session으로 필터링돼.

AI method motif distribution

키워드 기반 대표 method motif. 한 논문은 세부 태그를 여러 개 가질 수 있어.

AI method motif → robotics coupling flow map

선 굵기는 교차 count야. 선을 클릭하면 AI motif × robotics coupling으로 필터링돼.

Session × AI motif heatmap

셀을 클릭하면 해당 session과 AI motif 교차축으로 필터링돼. 색은 log scale, 숫자는 raw count야.

Robotics coupling × primary taxonomy bubble map

큰 버블일수록 해당 physical problem과 taxonomy family가 자주 같이 등장해.

Keyword cloud

Insight Library

읽기/과제 기획용 인사이트 카드

macro trend, intersection map, session lens를 한 곳에서 볼 수 있게 구성했어. 카드를 클릭하거나 chip을 누르면 논문 explorer와 필터가 이어져.

59insight cards

Paper table

IDTitleSessionAI motifRobot couplingPriority

RSS 2026 Robotics Research Report

Generated from uploaded JSON · 210 papers · generated_at: 2026-07-08T06:02:33.912764+00:00

1. 전체 구조 요약

이 대시보드는 RSS 2026 논문 JSON 210편을 기반으로 만든 interactive insight layer야. 원본 JSON에는 제목·저자·초록·세션·PDF URL·추출 full text/body text·figure/table caption 후보가 포함되어 있고, 여기서는 브라우저 성능을 위해 full text 전체가 아니라 제목/초록/메타데이터와 자동 태그를 넣었어.

가장 중요한 독해 포인트는 “큰 모델을 로봇에 붙였다”가 아니라, 큰 모델/생성모델/월드모델/보상모델을 contact, spatial state, safety, latency, embodiment 같은 물리 병목에 어떻게 연결하는가야.

2. 세션·택소노미 분포

Top sessions

  1. Session Humanoids: 13 papers
  2. Session Multi-robot Systems: 13 papers
  3. Session Control & Dynamics: 13 papers
  4. Session Perception and Estimation: 13 papers
  5. Session Planning: 13 papers
  6. Session Imitation learning 3: 10 papers
  7. Session Manipulation 1: 9 papers
  8. Session World Models & Memory: 9 papers
  9. Session Localization & Mapping: 9 papers
  10. Session Manipulation 2: 9 papers

Primary taxonomy

  1. VLA & Imitation Learning: 37 papers
  2. Manipulation & Dexterity: 27 papers
  3. Localization, Mapping & Spatial Perception: 22 papers
  4. Navigation & Exploration: 18 papers
  5. Humanoids & Loco-Manipulation: 13 papers
  6. Multi-Robot Systems: 13 papers
  7. Control & Dynamics: 13 papers
  8. Planning & Optimization: 13 papers
  9. World Models & Memory: 9 papers
  10. Datasets, Benchmarks & Evaluation: 9 papers

3. AI method motif 분포

AI motif는 제목과 초록의 키워드로 rule-based tagging 했어. 한 논문이 여러 motif를 가질 수 있지만, chart에서는 대표 motif를 하나 골라 보여줘.

  1. Control / dynamics / MPC: 30 papers
  2. 3D spatial perception / mapping / state estimation: 26 papers
  3. VLA/VLM/LLM embodied foundation model: 21 papers
  4. Planning / search / trajectory optimization: 19 papers
  5. Hardware / morphology / co-design: 18 papers
  6. Tactile / force / contact sensing: 17 papers
  7. Safety / uncertainty / robustness: 17 papers
  8. Dataset / benchmark / evaluation infrastructure: 13 papers
  9. Human / HRI / assistance: 12 papers
  10. Diffusion / flow / generative policy: 10 papers
  11. Imitation / demonstration learning: 9 papers
  12. World model / memory / predictive dynamics: 9 papers

4. Robotics coupling 분포

robotics coupling은 논문이 실제로 어떤 physical problem에서 평가되는지 보는 축이야. 이 축을 보면 AI novelty가 어떤 robot bottleneck으로 번역되는지 빨리 보여.

  1. Manipulation / dexterity / contact interaction: 52 papers
  2. Control / dynamics / trajectory optimization: 38 papers
  3. Navigation / exploration / field mobility: 23 papers
  4. Mapping / localization / perception stack: 18 papers
  5. Simulation / benchmark / evaluation infrastructure: 16 papers
  6. Humanoid / whole-body / locomotion: 16 papers
  7. Multi-robot / multi-agent coordination: 13 papers
  8. Surgical / medical / care robotics: 11 papers
  9. Robot design / sensors / embodied hardware: 10 papers
  10. Planning / decision-making / autonomy: 10 papers
  11. HRI / assistive / social robotics: 3 papers

5. 제안서/논문 아이디어로 바로 이어지는 10개 방향

  1. Contact-grounded VLA: tactile/contact state를 VLA action decoder나 reward model에 넣는 방향.
    뜻. VLA가 카메라와 언어만 보고 action을 내는 것이 아니라, 손끝 접촉·미끄러짐·힘·grasp 안정성까지 보고 행동을 보정하게 하자는 뜻이야. reward도 “목표에 도달했나”뿐 아니라 접촉이 안정적이었는지까지 평가하게 만들자는 방향이야.
  2. World-model-as-evaluator: world model을 policy rollout generator가 아니라 failure prediction/evaluation layer로 쓰는 방향.
    뜻. world model을 미래 영상을 예쁘게 생성하는 모델로만 보지 말고, policy 후보를 실제 실행 전에 굴려 보면서 실패 가능성, constraint violation, long-horizon outcome을 평가하는 내부 판단기로 쓰자는 뜻이야.
  3. Action-interface scaling: action token/chunk/flow/latent dynamics representation을 cross-embodiment metric으로 평가하는 방향.
    뜻. 로봇 action을 joint command로 바로 내는 대신 token, 몇 초짜리 chunk, flow trajectory, latent dynamics 같은 표현으로 만들고, 그 표현이 다른 로봇 몸체로 얼마나 잘 옮겨지는지 평가하자는 뜻이야.
  4. Safety grammar: success rate 외에 violation, recovery latency, intervention cost, uncertainty calibration을 metric set으로 제안하는 방향.
    뜻. 성공률 하나로 policy를 평가하지 말고, 위험 규칙을 얼마나 어겼는지, 실패 후 얼마나 빨리 회복했는지, 사람이 얼마나 개입해야 했는지, 불확실성 추정이 맞았는지를 함께 보는 평가 언어를 만들자는 뜻이야.
  5. Robotics benchmark as product: benchmark를 data release가 아니라 failure mining + statistical testing + simulator validation bundle로 만드는 방향.
    뜻. benchmark를 “데이터셋 공개”로 끝내지 말고, policy가 어떤 조건에서 왜 실패하는지 찾고, 통계적으로 비교하고, simulator와 real-world 결과가 맞는지 검증하는 하나의 평가 제품처럼 만들자는 뜻이야.
  6. Humanoid loco-manipulation: perception-conditioned whole-body control과 manipulation skill을 하나의 motion prior로 묶는 방향.
    뜻. 휴머노이드가 본 장면에 맞춰 걷기, 균형 잡기, 몸통 움직임, 팔·손 조작을 따로따로 하지 않고 하나의 통합된 움직임 모델로 배우게 하자는 뜻이야. 예를 들면 선반 위 컵을 집을 때 발 위치, 몸통 기울기, 팔 trajectory, grasp가 같이 나오는 구조야.
  7. HRI ask/assist policy: robot이 언제 묻고, 언제 돕고, 언제 돕지 않아야 하는지 preference/uncertainty로 학습하는 방향.
    뜻. HRI를 대화 능력만으로 보지 말고, 로봇이 확신이 없을 때 질문할지, 바로 도울지, 오히려 방해가 되니 개입하지 않을지를 판단하는 policy로 만들자는 뜻이야.
  8. Spatial memory for navigation/VLA: map memory, object permanence, uncertainty-aware replanning을 VLA navigation에 결합하는 방향.
    뜻. VLA navigation이 언어 명령만 따라가는 것이 아니라, 지나온 공간의 map memory, 가려진 물체가 계속 존재한다는 object permanence, 지도 불확실성에 따른 replanning을 함께 쓰게 하자는 뜻이야.
  9. Deformable/fragile vertical: surgical/care/deformable manipulation을 low-data high-stakes domain으로 잡는 방향.
    뜻. 천, 조직, 사람 몸, 깨지기 쉬운 물체처럼 모양이 변하거나 실패 비용이 큰 대상을 연구 축으로 삼자는 뜻이야. 데이터는 적고 안전 요구는 높기 때문에 tactile/force, uncertainty, careful correction이 강한 contribution이 될 수 있어.
  10. Real-time physical AI: inference latency, energy, memory, control frequency를 논문 main metric으로 올리는 방향.
    뜻. 로봇에서는 정확도나 성공률만큼 지연시간, 에너지, 메모리, 제어 주기가 중요하다는 뜻이야. 실제 로봇에 올렸을 때 늦게 반응하거나 너무 무거운 모델이면 좋은 policy여도 실패할 수 있으니 이를 핵심 metric으로 보자는 방향이야.