作者丨马晓宁
编辑丨岑 峰
01
最佳论文给了机器人“长期记忆”
02
从“贴着飞”，到打网球、端托盘
03
导航、穿衣、种地、水下作业，
机器人进入更具体的世界
业界
IROS 2026大奖揭晓：长期记忆拿下最佳论文，人形机器人打网球、端托盘双双获奖
雷峰网0 次浏览
导语：在机器人领域，一个更大的模型并不能自动解决所有问题。 在机器人领域，一个更大的模型并不能自动解决所有问题。
当地时间 9 月 30 日，IROS 2026 主会在美国匹兹堡落下帷幕，本届大会的主要奖项也在最后一天正式揭晓。 AI科技评论在现场获悉，今年的 Best Paper Award 最终颁给了一项关于机器人“长期记忆”的研究。Yumin Lee、Hyoseok Ju 和 Giseop Kim 凭借《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》拿下最佳论文。 Best Student Paper Award 则由 Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M. Ani Hsieh 获得。他们研究的是多架四旋翼无人机以极近距离编队飞行时，如何应对彼此之间复杂的气流干扰。 另外两项颇为吸睛的奖项属于人形机器人。一项工作让人形机器人学习真人网球动作，另一项则让人形机器人端起托盘，在双足行走的同时保持托盘上的物体稳定。 如果把今年的获奖论文和 Best Paper Finalist 放在一起看，长期记忆、VLA、世界模型、4D 场景理解、视触觉操作、飞行控制、人形机器人、软体机器人和生物制造机器人等方向都出现在了名单之中。 相比单纯讨论机器人又“学会了什么新动作”，今年的一批获奖工作开始触及一个更加现实的问题。当机器人真正进入现实环境之后，怎样让这些能力持续、稳定地工作？ 
如果一个机器人在同一个地方生活一年，它应该记住什么？ 这是今年 IROS 最佳论文背后的一个核心问题。Yumin Lee、Hyoseok Ju 和 Giseop Kim 的获奖论文题为《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》。 
对于今天的大多数机器人系统而言，“理解一个场景”更多是在理解此时此刻的场景。机器人走进办公室，看见桌子、椅子、打印机，可以建立一套场景表示；第二天椅子被搬走，它又可以根据新的观测更新自己的地图。 问题也由此产生。如果新的状态不断覆盖旧状态，那么机器人虽然知道“现在是什么样”，却逐渐失去了“过去是什么样”。LT-Mem 将这种现象称为 temporal amnesia，也就是时间性遗忘。 对于真正长期运行的机器人来说，历史恰恰可能非常重要。一堵墙几乎不会移动，一张办公椅偶尔会被挪走，人的背包每天可能出现在不同位置，一个停车位则可能呈现某种周期性的占用规律。 机器人不仅需要认识这些东西，还需要知道什么东西会变、多久变一次，以及过去是怎样变化的。 LT-Mem 因此没有简单地继续扩大模型，而是设计了一套分层的长期记忆结构，其中包括 Live Memory、Delta Memory 和 Meta Memory 三个层次。 Live Memory 保存当前世界的状态，Delta Memory 记录场景发生过哪些变化，Meta Memory 则进一步从长期历史中总结规律。在这套系统中，一个尤其重要的概念是 Volatility，也就是易变性。 机器人会根据不同对象历史上发生变化的频率，判断它究竟是一个相对稳定的环境组成部分，还是一个频繁发生变化的对象，并据此决定如何组织自己的记忆。 于是，机器人面对的问题不再只是“绿色椅子在哪里”，还可以进一步变成“这把绿色椅子过去都出现在哪里”“这个停车位什么时候最可能空出来”“这个物体的位置是否足够稳定，可以作为长期导航的参照”。 这也是 lifelong scene understanding 和普通场景理解之间的重要区别。机器人面对的不再是一张静止的照片，而是一个有历史的世界。 最终，LT-Mem 从今年 10 篇 Best Paper Finalist 中胜出。某种程度上，这个结果也反映出机器人研究正在面对的一个越来越现实的问题。如果机器人未来真的要连续工作几个月甚至几年，它应该怎样理解时间？ 
如果说 Best Paper 讨论的是以月甚至年计算的时间，那么今年的 Best Student Paper 研究的，则是一个发生在毫秒之间的问题。 Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M. Ani Hsieh 的《Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight》获得 IROS 2026 Best Student Paper Award。 
多架无人机编队飞行并不是新问题，真正困难的是，当它们飞得非常近时应该怎么办。 四旋翼产生的下洗气流会影响附近的飞行器。当无人机之间的距离进一步缩小时，这些复杂的空气动力学干扰会迅速变得不可忽略。 研究者因此引入 physics-informed residual dynamics learning，让学习模型补偿传统动力学模型难以准确描述的空气动力学效应，同时保留系统的 differential flatness，从而继续利用高效的轨迹规划与控制方法。 这篇论文同时进入 Best Paper Finalist，最终获得 Best Student Paper Award。 但今年颁奖台上最容易被普通读者理解的机器人，可能还是另外两台，因为它们一个在打网球，一个在端托盘。 张智楷、Haofei Lu、Yunrui Lian、Ziqing Chen、Yun Liu、Chenghuai Lin、Han Xue、曾子乘、Zekun Qi、Shaolin Zheng、Qing Luan、Jingbo Wang、Junliang Xing、王鹤、Li Yi 等人的《Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data》，获得 Best Entertainment and Amusement Paper Award。 
网球对人形机器人来说，是一个相当苛刻的全身运动任务。它不只是让机械臂挥一下球拍，机器人还需要观察来球、移动身体、调整重心、控制击球时机，同时协调腿部、躯干和手臂。 这篇工作的一个关键问题在标题中已经写出来，Imperfect Human Motion Data。现实中的人类运动数据并不总是完整、标准而精准，如果每学习一种体育技能，都需要重新采集大量高质量动作捕捉数据，那么数据本身就会成为扩展人形机器人技能的重要瓶颈。 这项工作尝试让机器人从并不完美的人类动作数据中提取和组合运动技能，并最终在人形机器人上实现网球任务。 另一篇获奖论文则没有这么“炫”，机器人只是端着一个托盘走路。 Anlun Huang、Zhenyu Wu、Soofiyan Atar、Yuheng Zhi 和 Michael C. Yip 的《SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport Via Residual Reinforcement Learning》获得 Best Paper Award on Mobile Manipulation。 
但“会走路”和“端着东西走路”，其实是完全不同的难题。双足机器人行走时不可避免地产生身体摆动和冲击，如果托盘上的物体没有被固定，这些扰动就会直接传递给物体。 机器人自己没摔倒，并不意味着杯子不会摔。 SteadyTray 的思路不是重新训练一个包办所有问题的大模型，而是将 locomotion 和 payload stabilization 拆开。已有的下肢策略负责走路，额外的 residual policy 则学习如何利用上半身动作抵消托盘受到的扰动。 它所代表的，也是人形机器人近年来一个明显变化。研究正在从单纯的 locomotion 继续走向 loco-manipulation，机器人不仅需要移动自己的身体，还必须在移动过程中完成任务。 
机器人进入更具体的世界
如果说长期记忆、人形机器人和无人机代表了今年颁奖结果中最醒目的几个方向，那么其余专项奖，则展示了机器人正在进入多少种不同的现实环境。 Yi Du、Taimeng Fu、Zhipeng Zhao、Shaoshu Su、Zitong Zhan、Qiwei Du、Zhuoqun Chen、Bowen Li、Chen Wang 的《VL-Nav: A Neuro-Symbolic Approach for Reasoning-Based Vision-Language Navigation》获得 Best Paper Award on Cognitive Robotics。 
这项工作指向近年来非常重要的 Vision-Language Navigation。机器人导航正在从传统的“从 A 点移动到 B 点”，逐渐变成根据语言描述理解环境、物体以及空间关系，再进行行动。 VL-Nav 选择的是一条 neuro-symbolic 路线，试图把神经网络强大的感知能力与结构化的符号推理结合起来。 另一篇获奖论文甚至重新设计了我们每天都会使用的一件东西，也就是拉链。 Amanda Weckerly、Wooseok Kim、Megan Coram、Ellen Li、Sophie Lin、Gabriel Unger、Isabella Szabo、Allison M. Okamura、Cynthia Sung 的《Design, Modeling, and Performance of a Robotic Zipper for Self-Donning Clothing》获得 Best Paper Award on Robot Mechanisms and Design。 
它有意思的地方在于，研究者并不是一味让机器人变得更加复杂，而是反过来重新设计物理世界本身，使服装更加适合自动穿戴。这也是机器人学与纯 AI 研究非常不同的一面，解决一个问题并不一定需要更大的模型，有时候更好的机械设计就是答案。 农业机器人方向，Jianchao Ci、Katarina Smolenova、Xin Wang、Axel Streit、Eldert J. van Henten 和 Gert Kootstra 的《SSL-Semantic-NBV: A Self-Supervised Learning-Based NBV for Target-Aware 3D Reconstruction in Agricultural Robotics》获得 Best Paper Award on Agri-Robotics。 
这项工作关注农业场景三维重建中的 Next-Best-View 问题。机器人并不是漫无目的地继续拍摄，而需要判断下一步移动到哪里，才能获得对目标最有价值的新信息。 水下机器人方向，Michele Grimaldi、Yosaku Maeda、Hitoshi Kakami、Ignacio Carlucho、Yvan R. Petillot 和 Tomoya Inoue 的《Contact-Aided Factor-Graph Localization for Underwater Sampling》获得 Best Paper Award on Safety, Security, and Rescue Robotics。 
在 GPS 和稳定视觉信息都受到限制的水下环境中，研究者尝试利用机器人与环境发生的接触来辅助定位。对于真实机器人而言，“碰到了什么”本身也可以成为感知信息。 此外，Yizhao Qian、Yuzhuo Wang、Chenxi Liu、Jiayuan Luo、Wenwei Gao、袁奕萱、孟庆虎和 Li Liu 的《Acoustic-Aware Texture Optimization for Ultrasound-Based Capsule Pose Estimation》获得 Best Application Paper Award。 原文：https://www.leiphone.com/category/private/VYRZFCnadDOcPDeX.html
机器人进入更具体的世界
