作者丨马晓宁
编辑丨岑 峰
01
AI 没有取代传统机器人学，
而是在重新嵌进去
02
VLA 从“证明能做”进入“补短板”阶段
03
机器人正在重新长出“中间层”
04
AI 与机器学习
研究了1933篇 IROS 论文，我们看到了机器人学的六项新变化
雷峰网0 次浏览
导语：大模型并没有“吃掉”机器人学。 大模型并没有“吃掉”机器人学。
9月27日，IROS 2026 将在匹兹堡开幕。重隔31年后，IROS 重回这座钢铁之城。 作为全球规模最大的机器人学术会议之一，今年进入正式议程的论文达到 1933 篇。把这近两千篇论文铺开来看，它更像是一张 2026 年机器人研究的横截面：从强化学习、模仿学习，到路径规划、视觉感知、运动控制、灵巧操作，再到人形机器人、触觉和大模型，过去几年机器人领域几乎所有重要技术路线，都同时出现在这张图谱里。 但真正值得注意的，并不是 Humanoid、VLA 或 World Model 这些更容易获得产业和媒体关注的关键词。 对 1933 篇论文进行多标签梳理后可以看到，Robot Learning / Embodied AI 相关论文约有 809 篇，Navigation / Planning 564 篇，Perception / Vision 556 篇，Control / Dynamics 546 篇，Manipulation 520 篇，而 Humanoid / Legged 相关论文约为 213 篇。 由于一篇论文可能同时涉及多个方向，这些数字不能简单相加，但它们说明了一件事：机器人研究并没有因为大模型进入，而被重新归并成一个单一的“AI 问题”。 相反，学习、感知、规划、控制和操作正在以前所未有的密度交织在一起。 在万众瞩目的 AGI 狂热大背景下，这近两千篇论文却释放了一个信号：大模型并没有“吃掉”机器人学。 恰恰相反，在经历了两年的端到端狂奔后，机器人研究正通过三维几何、符号推理和底层控制的‘中间层复兴’，试图在匹兹堡找回那个被像素和 Token 掩盖的物理灵魂。” IROS 2026 真正值得追问的，也许不是“大模型是否正在取代传统机器人学”，而是机器人研究是否正在进入一个更复杂的系统阶段。 
而是在重新嵌进去
如果进一步观察这些论文之间的交叉关系，大模型进入机器人之后真正发生的变化会更加清楚。 Robot Learning 与 Manipulation 同时出现的论文约有 276 篇，与 Perception 交叉的有 269 篇，与 Navigation / Planning 交叉的有 225 篇，与 Control / Dynamics 交叉的也有 221 篇。 学习方法没有简单挤压掉机器人原有的技术模块，反而越来越深地嵌入这些传统问题之中。 这种变化首先体现在规划上。 来自石溪大学的 Jorge Mendez-Mendez 在 《A Systematic Study of Large Language Models for Task and Motion Planning with PDDLStream》 中，系统测试了大语言模型嵌入传统 Task and Motion Planning 框架之后的表现。研究并没有指向“大模型可以直接取代规划器”，反而显示，几何约束、运动可行性和执行逻辑仍需要传统规划体系参与。 这很有代表性。LLM 可以理解“把杯子拿到桌子的另一边”是什么意思，但机器人真正执行时，还必须回答机械臂会不会碰撞、关节是否可达、路径能否执行，以及当前环境有没有发生变化。 问题因此从“LLM 能不能替代 Planner”，变成了两者应该如何分工。 类似现象也出现在 VLA 的感知端。 入围 IROS 2026 Cognitive Robotics 最佳论文候选的 GeoVLA: Empowering 3D Representations in Vision-Language-Action Models，由天津大学、原力灵机和清华大学团队合作完成，作者包括 原力灵机的谢斌、清华大学的石昊等。 它针对的正是现有 VLA 过度依赖二维视觉的问题：传统 VLA 往往从 RGB 图像和语言指令直接生成动作，但真实机器人面对的是三维世界，物体高度、尺寸和相机视角变化，都可能直接影响抓取。 GeoVLA 没有继续单纯扩大模型，而是显式加入深度和三维几何信息，把 3D representation 与视觉语言特征共同用于动作生成。 换句话说，大模型变强以后，机器人学最传统的“空间几何”又被重新补了回来。 控制端也出现了类似现象。 来自中佛罗里达大学、印度理工学院坎普尔分校、巴斯大学和马里兰大学帕克分校团队的 Training Fast Robot Policies with Slow Foundation Models，研究的是一个很现实的问题：大型 Foundation Model 可以提供更强的知识和泛化，但推理速度太慢，不适合持续运行在机器人高频控制环里。 因此，研究者让大型模型更多参与训练，再学习一个更轻、更快的机器人策略负责实际执行。 语言模型晚几百毫秒回答问题，用户通常只会觉得它反应稍慢；机器人在抓取、接触或者保持平衡时晚几百毫秒动作，任务可能已经失败。 模型能力和实时控制，从来不是同一个问题。 更接近物理世界的触觉研究，也呈现出相似方向。 来自科罗拉多大学丹佛分校方新民等人与肯尼索州立大学团队合作完成的 DexTact: A Visuo-Tactile Foundation Model for Dexterous Hand Grasping，把视觉和触觉同时放进灵巧手抓取问题中。 它研究的已经不再只是“图像告诉机器人物体在哪里”，而是“手接触物体之后，系统还能感知到什么”。 这里，Foundation Model、触觉、灵巧操作和控制被放进同一套系统里理解。 因此，2026 年真正值得注意的变化，并不是机器人学正在被 AI 取代。 更准确地说，是 AI 开始深入机器人学最传统的环节，同时也在被这些传统问题重新塑形。 
如果说过去两年 VLA 最核心的问题还是“能不能让一个统一模型理解视觉、语言并直接生成机器人动作”，那么到了 IROS 2026，研究重点已经明显向另一个方向移动：模型既然已经能做，接下来要解决的是，怎样让它做得更快、更稳，也更适合真实机器人。 在我们的多标签统计中，VLA、VLM、LLM 和 Foundation Model 相关论文约有 162 篇，占全部论文的 8.4%；其中明确涉及 VLA 的论文约有 82 篇。 这个规模已经足以形成一条独立研究主线。 但它们关注的问题，并没有继续停留在“模型还能不能更大”，而是迅速分化到效率、三维理解、长时记忆、视角变化、现实环境适应和安全等问题上。 最直接的例子是 Shallow-π: Knowledge Distillation for Flow-Based VLAs。 这篇论文来自 42dot、首尔大学和 Samsung Research，并进入 IROS 2026 Best Paper / Best Student Paper Award 候选。它解决的不是如何训练一个更大的 VLA，而恰恰是模型太大、推理太慢的问题，通过知识蒸馏压缩 VLA，让模型更适合真实机器人和边缘设备部署。 这暴露了 VLA 进入机器人后的第一个现实约束：模型不仅要“聪明”，还必须足够快。 另一个短板是三维空间理解。前面提到的天津大学、原力灵机与清华团队的 GeoVLA，本质上就是在给 VLA 补机器人学最传统的几何能力。 视角变化本身甚至已经成为一个独立问题。 AnyCamVLA: Zero-Shot Camera Adaptation for Viewpoint Robust Vision-Language-Action Models 来自首尔大学与 MIT 团队。它研究的是摄像机位置改变后，原本训练好的 VLA 为什么容易失效，以及能不能在不重新训练整个模型的情况下适应新的 camera viewpoint。 真实部署中，相机安装误差、机器人平台差异和视角变化都很常见，一个策略如果只能在固定视角下工作，就很难真正泛化。 长时任务则暴露了另一类缺口：模型会执行动作，却不一定会积累经验。 Long-Term Memory for VLA-Based Agents in Open-World Task Execution 由南京大学、早稻田大学、逐际动力和浙江大学等团队完成，把长期记忆直接接入 VLA Agent，让系统保存已经完成过的轨迹和经验，并在之后重新调用。 这里的问题已经不再是一次抓取成功与否，而是机器人能否在长流程任务里记住“前面发生过什么”。 来自成均馆大学的 RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents 更进一步。 它没有试图重新训练一个更强的 VLA，而是在预训练策略外围加入 Monitor、Perceptor、Planner、Controller 和 Robot Interface。当执行失败时，Monitor 负责发现问题；环境发生变化时，Planner 重新规划；Perceptor 更新场景；Controller 再把高层策略变成实际动作。 这个结构很能说明 VLA 的下一阶段正在发生什么。 研究开始从“造一个更强的 action predictor”，转向如何围绕它建立一个完整系统。 所以，VLA 接下来的竞争可能不只是 scaling。 更大的问题正在变成 system engineering：一个 VLA 如何与感知、记忆、规划、控制和硬件共同工作，并最终从一个能够输出动作的模型，变成一个能够长期运行的机器人系统。 
如果说 VLA 的第一阶段是在尝试把感知、语言和动作统一进一个模型，那么 IROS 2026 另一条越来越清楚的研究线索是：研究者又开始主动在这个端到端链条中间加入新的结构。 在1933篇论文中，Reasoning / Memory 相关论文约有 119 篇，占全部论文的 6.2%；其中明确涉及 Reasoning 的有 64 篇，Memory 有 36 篇。 它们已经形成一批非常明确的 Session，包括 Agents and Memory for Robust VLA Manipulation、Constraint-Guided Reasoning for Long-Horizon Manipulation、LLM Agents Reasoning Through Robot Tasks、Representing 3D Space for Robot Reasoning。 这件事本身就值得追问： 如果端到端模型已经可以直接从视觉和语言生成动作，为什么机器人还需要 Reasoning、Memory、Planner，甚至重新引入 Symbolic Constraint 和显式的 3D representation？ 原因之一，是机器人任务一旦变长，“当前这一帧看到什么”就不再足够。 TempoFit: Plug-And-Play Layer-Wise Temporal KV Memory for Long-Horizon VLA Manipulation 来自西交利物浦大学团队。它没有重新训练一个更大的 VLA，而是利用模型内部的 temporal KV memory，让现有策略跨时间保存并调用历史信息。 但机器人真正需要记住的，也不只是“过去看过什么”。 来自东京理科大学团队的 GaussMemory: Task-Driven 3D Gaussian Scene Memory for Long-Horizon Robotic Manipulation，进一步把 Memory 放进三维空间。 一个物体即使暂时被遮挡，也不能因为摄像头此刻看不到就从机器人的“世界”里消失；一个已经被移动的物体，也需要及时更新位置。 因此，机器人里的 Memory 和语言模型里的上下文记忆并不完全一样。 它必须和真实三维空间持续对应。 推理问题同样如此。 DualCoT-VLA: Visual-Linguistic Chain of Thought Via Parallel Reasoning for Vision-Language-Action Models 由香港科技大学（广州）与华为团队合作完成。 它没有满足于让 VLA 直接输出动作，而是在动作生成前加入视觉 Chain-of-Thought 和语言 Chain-of-Thought：一条处理空间关系，一条处理高层任务逻辑。 原本端到端模型试图省掉的“高层—低层”分工，又以另一种形式回来了。 入围 Cognitive Robotics 最佳论文候选的 VL-Nav: A Neuro-Symbolic Approach for Reasoning-Based Vision-Language Navigation，则主要由纽约州立大学布法罗分校团队完成，第一作者是杜燚。 VL-Nav 把视觉语言模型的语义理解与显式空间、符号推理结合起来，用于复杂环境中的 vision-language navigation。 Symbolic 方法重新出现，并不意味着机器人学回到了完全基于规则的时代。 它承担的是大模型目前还不擅长稳定完成的那部分任务：让空间关系、执行条件和约束变得更加明确。 从 Memory、Reasoning 到 Geometry、Planner 和 Symbolic Constraint，这些工作表面上采用的技术不同，但都在解决同一个结构性问题：高层语义理解和低层连续动作之间存在巨大的距离。 因此，IROS 2026 出现的 Reasoning、Memory、Planner 和 Symbolic Constraint，与其说是在“反端到端”，不如说机器人学正在重新发明大模型与低层控制之间的中间层。 端到端没有简单失败，模块化也没有简单复辟。 更准确的变化是：随着任务从单步抓取走向长时操作，从实验室环境走向开放世界，机器人系统正在重新出现层级。 
而是在重新嵌进去
