🧩CoRL 2025

Plan & Search for meaningful insights

Programs

“손/촉각/러닝” 중심 코스에 맞춰 정리한 CoRL 2025 Schedule 정리

📅 일정 요약

• 9/27(토): 워크숍 집중 — 2nd Workshop on Dexterous Manipulation (손·촉각 연구자 네트워킹/튜토리얼에 최적) (Dexterous Manipulation Workshop)
• 9/28(일): 메인컨퍼런스 오럴 위주 — Oral 6 (Humanoid & Hardware) → Oral 3 (Manipulation II)
• 9/29(월): 포스터 스포트라이트 & 포스터 란 활용 — Spotlight 5, 6 중심(중간중간 데모/부스)
• 9/30(화): 남은 포스터/데모 & 키노트/EC Keynote 체크(시간 맞춰 이동) (CoRL)

2025-09-27 (토) — 워크숍 데이

• 09:00 – 09:30 : 행사 등록 및 오프닝 (예정)
• 09:30 – 10:30 : RemembeRL Workshop – Invited Talk 1 (워크숍 시작)
  (+ 중간 휴식: 10:30 – 11:00)
• 11:00 – 12:30 : 워크숍 연사 발표 및 세션 (TBD)
• 12:30 – 13:30 : 점심시간
• 13:30 – 15:00 : 워크숍 후반 세션 및 Poster Session 2
  (+ 휴식: 15:00 – 15:30)
• 15:30 – 16:30 : Poster Spotlights / 패널 토론
  
• 16:30 – 16:40 : 워크숍 종료 및 클로징 리마크

2025-09-28 (일) — 메인 컨퍼런스 Day 1

• 09:00 – 10:00 : 컨퍼런스 등록 및 오프닝
• 10:00 – 12:00 : Oral Session 6 (DexUMI, DexSkin 참석)
• 12:00 – 13:00 : 점심
• 13:00 – 15:00 : Oral Session 3 (KineSoft, Tactile Beyond Pixels, Cross-Sensor Touch Generation 참석)
• 15:00 – 15:30 : 휴식 / 네트워킹
• 15:30 – 18:00 : Spotlight 5 Poster (Self-supervised perception, Sim-to-Real RL, Crossing the Gap)
• 18:00 – : 자유 시간 / 데모 부스 탐방

2025-09-29 (월) — 메인 컨퍼런스 Day 2

• 09:00 – 10:30 : Poster Spotlight 6 (VT-Refine, KineDex, LocoTouch, Text2Touch)
• 10:30 – 11:30 : 추가 관심 포스터 탐방 / 휴식
• 11:30 – 13:00 : Early Career Keynotes (Yuan, Fazeli, Pinto)
• 13:00 – 14:00 : 점심
• 14:00 – 15:30 : 관심 논문 세션 (재검토 및 부스 방문)
• 15:30 – 16:00 : 휴식
• 16:00 – 18:00 : Poster 스윕 또는 추가 네트워킹
• 18:00 – : 자유 시간 또는 저녁 세션 참여

2025-09-30 (화) — 메인 컨퍼런스 Day 3 / 키노트 데이

• 09:00 – 10:00 : 등록 / 마무리 준비
• 10:00 – 10:30 : Jun-Ho Oh 기조 강연 (“The Golden Age of Humanoid Robots”)
• 10:30 – 11:00 : Kristen Grauman 기조 강연 (“Skill learning from video”)
• 11:00 – 12:00 : 남은 관심 Oral/Poster 세션 또는 데모 탐방
• 12:00 – 13:00 : 점심
• 13:00 – 15:00 : 부스 방문 / 네트워킹
• 15:00 – 16:00 : 남은 발표 청취 또는 발표자 Q&A
• 16:00 – 18:00 : 마무리 정리 / 네트워킹 마감

---

🎤 Oral 선택 세션

Oral 6 — Humanoid & Hardware (핵심 키워드: 손·촉각·Real World)

• DexUMI: Using Human Hand as the Universal Manipulation Interface for Dexterous Manipulation — arXiv
  • 한줄 핵심: 손 착용 외골격+비전 인페인팅으로 인간 손 동작을 다양한 로봇 핸드로 전이, Real World 평균 86% 성공.
  • 발표가치 예측: 🔥 Must-see — 범용 핸드 전이/데이터 수집 파이프라인이 실전성 높음. (arXiv)
• DexSkin: High-Coverage Conformable Robotic Skin for Learning Contact-Rich Manipulation — Project page
  • 한줄 핵심: 유연한 고밀도 정전용량형 e-skin으로 손가락 전면/배면을 촉각으로 덮어 접촉 풍부 과제의 학습/전달 시연.
  • 발표가치 예측: 🔥 Must-see — 저가·대면적 촉각 하드웨어의 Real World 학습 적용이 매력적. (arXiv 예정) (DexSkin)

Oral 3 — Manipulation II (핵심 키워드: 소프트핸드·촉각표현·Tactile 생성)

• KineSoft: Learning Proprioceptive Manipulation Policies with Soft Robot Hands — arXiv
  • 한줄 핵심: 소프트핸드 내부 변형/스트레인 기반 고유감각으로 키네스틱 티칭+형상조건 제어 결합한 모사학습 프레임워크.
  • 발표가치 예측: 👍 High — 소프트핸드 실사용 데모/정확도 향상 근거 명확. (arXiv)
• Tactile Beyond Pixels: Multisensory Touch Representations for Robot Manipulation — arXiv
  • 한줄 핵심: 이미지·오디오·모션·압력 4모달 촉각표현(Sparsh-X) 사전학습으로 정책 성공률 +63%, 강건성 +90%.
  • 발표가치 예측: 🔥 Must-see — 멀티모달 촉각표현의 스케일·일반화 근거 제시. (arXiv)
• Cross-Sensor Touch Generation — (예정/정보 제한)
  • 한줄 핵심: 이기종 촉각센서 간 생성/번역으로 데이터 증강·표현 정합을 겨냥한 작업.
  • 발표가치 예측: 👀 Watch — 세부 메트릭 공개 여부에 따라 가치 상향 가능. (arXiv)

---

🧪 Poster Spotlights / Posters (우선순위 셀렉션)

Spotlight 5 & Poster 3 (촉각·휴머노이드 Dexterity 집중)

• Self-supervised perception for tactile skin covered dexterous hands — arXiv
  • 한줄 핵심: Self-supervised Sparsh-skin 인코더로 손 전체의 자기자석식 스킨 신호를 잠재표현화, 성능 +41%/표본효율 개선.
  • 발표가치 예측: 🔥 Must-see — 전면 스킨 활용 퍼셉션·정책 모두 개선. (arXiv)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids — arXiv
  • 한줄 핵심: 휴머노이드 양손 Dexterity에서 실-시뮬 자동튜닝, Reward 설계 일반화, 분할증류로 시연·일반화 확보.
  • 발표가치 예측: 👍 High — 데모 의존↓, RL 단독으로 접촉풍부 과제 달성. (arXiv)
• Crossing the Human-Robot Embodiment Gap with Sim-to-Real RL using One Human Demonstration — arXiv
  • 한줄 핵심: 단 1개 인간 RGB-D 데모에서 객체궤적 Reward+프리-그랩 포즈 초기화로 휴먼-로봇 격차를 RL로 브리지.
  • 발표가치 예측: 🔥 Must-see — 데이터 비용 혁신·휴먼→로봇 전이 실효성 큼. (arXiv)

Spotlight 6 & Poster 3 (Tactile·Reward·Teaching 파이프라인)

• VT-Refine: Learning Bimanual Assembly with Visuo-Tactile Feedback via Simulation Fine-Tuning — OpenReview
  • 한줄 핵심: 실데모+고충실 Tactile 시뮬+RL 조합으로 정밀 양팔 조립 학습(시연/어블레이션 포함).
  • 발표가치 예측: 👍 High — 비주-촉각 통합의 정석 사례. (OpenReview)
• KineDex: Learning Tactile-Informed Visuomotor Policies via Kinesthetic Teaching for Dexterous Manipulation — arXiv
  • 한줄 핵심: 핸드-오버-핸드 키네스틱 티칭+비주-Tactile 정책+힘제어로 접촉풍부 과제 74.4% 달성.
  • 발표가치 예측: 👍 High — 포스/촉각 결합 실성능 수치 제시. (arXiv)
• Text2Touch: Tactile In-Hand Manipulation with LLM-Designed Reward Functions — Project page
  • 한줄 핵심: LLM 기반 Reward 설계를 실제 비전-기반 Tactile 인-핸드 회전에 적용해 Reward공학 비용 절감.
  • 발표가치 예측: 👀 Watch — 실제 Tactile 하드웨어와 LLM Reward의 접점 확인 가치. (efi robotics)

Spotlight 4 & Poster 2

이동 시간 여유 시 강추

• LocoTouch: Learning Dexterous Quadrupedal Transport with Tactile Sensing — arXiv
  • 한줄 핵심: 등면 Tactile 어레이+시뮬-정합으로 무고정 원통물 장거리 운반을 4족 로봇이 제로샷 실전 수행.
  • 발표가치 예측: 👍 High — 촉각을 이동체(로코모션)에 접목한 참신 응용. (arXiv)

---

🗝️ Keynotes / EC Keynotes(참고)

• 메인 키노트 & EC Keynotes(예: Wenzhen Yuan, Nima Fazeli, Lerrel Pinto) — 촉각/조작 주제와 직접 연관된 관점 업데이트에 유익. 세션 시간대는 공식 페이지 수시 확인. (CoRL)

---

✅ 이동/청취 팁

• 우선순위 규칙: (1) Oral 6·3 > (2) Spotlight 5·6 > (3) Spotlight 4 (충돌 시).
• 포스터 전략: 위 목록을 우선 라우팅하고, 같은 섹션대 인접 포스터(손/촉각 키워드)까지 빠르게 스윕.
• 버퍼 확보: 오럴→포스터 이동 전후 최소 10–15분 이동·대화 버퍼 확보(질문/네트워킹 포함).
• 자료 회수: arXiv/프로젝트 페이지를 미리 즐겨찾기(모바일)해 부스/데모에서 바로 레퍼런스 공유.

---

✋ 질문 리스트

세션 / 발표자	질문 내용 (한국어)	질문 내용 (영어)
DexUMI (Oral 6)	착용형 외골격 사용자 맞춤은 어떻게 이루어지나요?	How is user customization achieved in the wearable exoskeleton?
	비전 인페인팅 기술이 다양한 로봇 핸드에 어떻게 일반화되었나요?	How does the vision-based inpainting generalize across different robotic hands?
	서로 다른 로봇 핸드 플랫폼 간의 성능 차이가 있었나요?	Were there performance differences among different robotic hand platforms?
KineSoft (Oral 3)	내부 스트레인 센서의 해상도와 응답 속도는 어떻게 되나요?	What is the resolution and response time of the internal strain sensor array?
	키네스틱 티칭 방식과 기존 IL 방식의 성능 차이는 무엇인가요?	What are the performance differences between kinesthetic teaching and traditional imitation learning?
	티칭 기반으로 수집된 데이터를 통한 재현성은 어떤 수준인가요?	How reproducible are the demonstrations collected via kinesthetic teaching across different object types?
Tactile Beyond Pixels (Oral 3)	네 가지 촉각 모달리티 중 가장 기여가 컸던 downstream task는 무엇인가요?	Which downstream task benefited most from the four tactile modalities?
	각 모달리티의 중요도는 어떻게 평가하셨나요?	How were the importance levels of each tactile modality assessed?
	Self-supervised 사전학습 후, 실제 정책 학습에는 어떻게 통합되었나요?	After self-supervised pretraining, how was it integrated into actual policy learning?
Sparsh-skin (Poster)	tactile 스킨 Self-supervised 학습에서 사용한 주요 프리텍스트 작업은 무엇인가요?	What were the main pretext tasks used in self-supervised learning for tactile skin?
	latent 표현에서 어떤 특징이 가장 중요하다고 보시나요?	Which features in the latent representation do you consider most crucial?
	이 표현을 활용한 downstream manipulation task의 성능 향상은 어느 정도인가요?	How much did manipulation task performance improve using these representations?
Sim-to-Real RL (Poster)	시뮬레이터를 현실에 맞추기 위해 조정한 핵심 파라미터는 무엇인가요?	What were the key simulation parameters tuned for sim-to-real transfer?
	일반화 과정에서 가장 어려웠던 상황은 무엇이었나요?	What was the most challenging situation during the generalization phase?
	실제 환경에서 RL 정책의 안정성을 확보하기 위한 전략은 무엇인가요?	What strategies were used to ensure RL policy stability in real-world settings?
Crossing the Gap (Poster)	단 1개의 RGB-D 데모만 사용하는 기법의 주요 의도는 무엇인가요?	What is the core intention behind using only one RGB-D demonstration?
	단일 데모가 과제 복잡도에 따라 어떻게 성능에 영향을 미쳤나요?	How did a single demonstration impact performance depending on task complexity?
	이 방식이 시뮬 기반 학습과 결합될 경우 어떤 시너지가 있나요?	What synergies arise when combining this method with sim-based learning?
VT-Refine (Poster)	시각 및 촉각 정보는 어느 시점에서 융합되었나요?	At what point are visual and tactile inputs fused in the control loop?
	양손 조립 과제의 난이도는 어떻게 정의되었나요?	How was the difficulty level of the bimanual assembly task defined?
	fine-tuning 전략과 반복 제어 구조를 어떻게 설계하셨나요?	How did you design the fine-tuning strategy and iterative control structure?
KineDex (Poster)	시뮬 환경의 노이즈 및 오차에 대해 어떻게 강건성을 확보하셨나요?	How did you ensure policy robustness against noise/errors in simulation?
	포스/촉각 기반 접촉 조작의 실패율은 어느 정도였나요?	What was the failure rate for force/tactile-based contact manipulation?
	티칭 데이터에서 정책 학습 전이 시 오버헤드는 어떻게 관리하셨나요?	How did you manage overheads during the transfer from teaching data to policy learning?
LocoTouch (Poster)	촉각 어레이의 형태와 위치는 어떻게 설계되었나요?	How were the shape and placement of the tactile array designed?
	zero-shot 시뮬→실 전이에 포함된 도메인 랜덤화 요소는 무엇인가요?	What domain randomization factors were included in the zero-shot sim-to-real transfer?
	원통 운반 과제에서 실패 사례는 무엇이었고 어떻게 개선했나요?	What were the failure cases in the cylinder transport task, and how were they improved?

+++

• FFHFlow: A Flow-based Variational Approach for Learning Diverse Dexterous Grasps with Shape-Aware Introspection
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids
• RobustDexGrasp: Robust Dexterous Grasping of General Objects
• LodeStar: Long-horizon Dexterity via Synthetic Data Augmentation from Human Demonstrations
• DexTrack: Towards Generalizable Neural Tracking Control for Dexterous Manipulation from Human References
• Morphologically Symmetric Reinforcement Learning for Ambidextrous Bimanual Manipulation
• Vision in Action: Learning Active Perception from Human Demonstrations
• Point Policy: Unifying Observations and Actions with Key Points for Robot Manipulation
• CDP: Towards Robust Autoregressive Visuomotor Policy Learning via Causal Diffusion
• D-Cubed: Latent Diffusion Trajectory Optimisation for Dexterous Deformable Manipulation
• Humanoid Policy ~ Human Policy
• ClutterDexGrasp: A Sim-to-Real System for General Dexterous Grasping in Cluttered Scenes
• RoboArena: Distributed Real-World Evaluation of Generalist Robot Policies
• Training Strategies for Efficient Embodied Reasoning
• π0.5: a Vision-Language-Action Model with Open-World Generalization
• DemoSpeedup: Accelerating Visuomotor Policies via Entropy-Guided Demonstration Acceleration
• ImMimic: Cross-Domain Imitation from Human Videos via Mapping and Interpolation
• X-Sim: Cross-Embodiment Learning via Real-to-Sim-to-Real
• SAIL: Faster-than-Demonstration Execution of Imitation Learning Policies
• Streaming Flow Policy: Simplifying diffusion/flow-matching policies by treating action trajectories as flow trajectories
• Steering Your Diffusion Policy with Latent Space Reinforcement Learning
• Real2Render2Real: Scaling Robot Data Without Dynamics Simulation or Robot Hardware
• DexSkin: High-Coverage Conformable Robotic Skin for Learning Contact-Rich Manipulation
• Learning Visuotactile Skills with Two Multifingered Hands
• 3D-ViTac: Learning Fine-Grained Manipulation with Visuo-Tactile Sensing
• GELLO: A General, Low-Cost, and Intuitive Teleoperation Framework for Robot Manipulators