从长期记忆到端托盘、打网球：IROS 2026机器人开始学会长期工作|iros|人形|动作|打网球|托盘|机器人|超级智能

从长期记忆到端托盘、打网球：IROS 2026机器人开始学会长期工作

IROS 2026的奖项信息，给今年的机器人研究勾勒出了一条很清晰的主线：机器人正在从“完成一次动作”，走向“在真实环境里长期、稳定地完成任务”。

最佳论文关注机器人如何记住一个不断变化的世界；移动操作奖关注人形机器人如何端着托盘行走；娱乐与仿生方向的论文，则让机器人打网球、空中摆荡，甚至与人一起抛接球。

这些工作看起来分散，背后其实都在回答同一个问题：机器人除了会感知和运动，什么时候才能真正形成持续工作的能力？

最佳论文：机器人需要的不只是一张地图，而是一段经历 LT-Mem：让机器人记住物体的变化

论文：LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding
团队：韩国大邱庆北科学技术院（DGIST），作者包括Yumin Lee、Hyoseok Ju和Giseop Kim。
官方信息：https://2026.ieee-iros.org/program/awards/

机器人第一次看到一把绿色椅子时，椅子在窗边；几天后，椅子被搬到了会议室。很多系统能够更新“椅子现在在哪里”，却很难回答“它之前在哪里”。

LT-Mem关注的正是这个问题：机器人如何在多次进入同一环境时，持续保持物体身份，并记录它的历史变化。

论文把物体记忆分成当前状态、变化记录和元信息几部分，并根据物体的变化速度决定如何更新记忆。稳定不变的物体不需要反复重写，经常移动的物体则保留更多历史。

对家庭机器人、仓储机器人和服务机器人来说，真正有用的记忆不是一张静态地图，而是知道：什么发生了变化、变化发生在什么时候、这件事会不会影响下一步任务。

LT-Mem最终拿下了IROS 2026最佳论文奖。这个奖项的分量，也在于它把大家对机器人的期待从“看懂眼前”往前推了一步：机器人还要记得住过去。

移动操作奖：人形机器人端着托盘，难点不只是“走得稳” SteadyTray：让托盘上的东西也保持稳定

论文：SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport via Residual Reinforcement Learning
团队：美国加州大学圣迭戈分校，Michael Yip团队；作者包括Anlun Huang、Zhenyu Wu、Soofiyan Atar、Yuheng Zhi和Michael Yip。
项目主页：https://steadytray.github.io/
代码：https://github.com/AllenHuangGit/SteadyTray

让人形机器人端着托盘走路，真正困难的地方不在于让机器人迈出脚步，而在于行走产生的晃动会传递到托盘上。

杯子里的水会洒，酒杯会倾倒，医疗器械也可能掉落。对于服务机器人来说，机器人没有摔倒并不等于任务成功。

SteadyTray的做法很直接：保留已经训练好的行走能力，再增加一个专门负责托盘稳定的残差策略。底层策略负责“走起来”，上层策略负责“别让东西掉下来”。

这种“基础能力加任务适配”的方式很有工程价值。机器人不需要为了学会端托盘而重新学习整套步态，也不会轻易破坏原有的身体平衡。

项目在Unitree G1上进行了真实测试，展示了机器人携带不同物体行走、应对外部扰动的能力。它的重要性也在于重新定义了人形机器人的稳定性：未来要评价的，不只是机器人会不会摔倒，还要看它能不能把任务对象完整地送到目的地。

SteadyTray最终获得了OMRON SINIC X赞助的移动操作奖。它没有用一个庞大的端到端系统重新学习一切，而是把“走路”和“端稳托盘”分开处理，这种思路很像一个经验丰富的工程师：先保住底盘，再给新任务加能力。

论文：ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation
团队：伊利诺伊大学香槟分校、上海交通大学、清华大学。
论文：https://arxiv.org/abs/2603.03279

很多人形机器人仍然依赖完整的动作参考：人先做一遍，机器人再照着模仿。但现实任务往往只给出一个目标，例如“把箱子推到房间另一侧”。

这句话没有告诉机器人应该从哪边接近箱子、如何摆放双手、怎样绕开障碍，也没有规定腿、腰和手臂应该如何配合。

ULTRA试图把动作捕捉、视觉输入、任务目标和稀疏指令放进同一个控制框架中。输入详细时，机器人可以跟踪动作；输入简单时，机器人需要自己补全中间步骤。

它代表的是人形机器人控制方式的一种变化：从“我告诉你每一步怎么做”，转向“我告诉你最终想要什么”。这离真正的通用机器人还有距离，但已经比单纯复现动作更接近实际应用。

娱乐技术奖：机器人打网球，关键是“不完美数据”也能用 LATENT：让人形机器人学会击球和回合对打

论文：Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data
团队：清华大学、上海人工智能实验室、北京大学、Galbot以及代尔夫特理工大学等。作者包括Wang He等。
官方页面：https://arxiv.org/pdf/2603.12686

高水平网球运动员的动作速度快、协调性强，但这类完整、精确的人形动作数据非常难收集。论文没有等待大量完美数据，而是使用动作片段和带噪声的人类运动数据，提取击球、移动等基础技能，再进行修正和组合。

最终，策略被部署到Unitree G1上，机器人能够持续击打来球，并将球回到不同目标区域。

这件事的启发很现实：机器人学习未必需要一开始就拥有完美数据。只要动作片段里还保留着足够的经验，后面就有机会通过仿真、修正和组合，把它们变成机器人真正能用的技能。

认知机器人奖：让视觉语言导航不再只是“会说” VL-Nav：在陌生环境里少走弯路

论文：VL-Nav: A Neuro-Symbolic Approach for Reasoning-Based Vision-Language Navigation
团队：以美国布法罗大学为主，合作单位包括卡内基梅隆大学、杜克大学和加州大学圣迭戈分校。
官方信息：IROS 2026 Awards

“走到有沙发的房间，再找到窗边的桌子”这样的指令，对人很自然，对机器人却并不简单。机器人需要理解语言、识别空间关系、建立场景记忆，还要决定下一步去哪里探索。

VL-Nav把视觉语言模型与符号化的三维场景图、图像记忆和探索策略结合起来。它不仅尝试理解指令，还会根据当前已经知道的信息，决定下一步怎样少走重复路线。

VL-Nav在室内、室外和真实机器人实验中都进行了验证。它走的是一条很有代表性的路线：让大模型负责理解和推理，再用结构化的场景表示约束行动。机器人既要听懂指令，也不能在房间里漫无目的地乱走。

机构与设计奖：拉链也可以成为机器人问题 Robotic Zipper：帮助行动不便者自己穿衣

论文：Design, Modeling, and Performance of a Robotic Zipper for Self-Donning Clothing
团队：斯坦福大学与宾夕法尼亚大学。
官方信息：https://arxiv.org/pdf/2603.12686

这项工作没有追逐更大的模型，而是解决了一个非常具体的生活问题：行动不便的人如何更容易地自己穿上带拉链的衣服。

研究人员设计了一个电机驱动的拉链机构，并分析衣服重量、悬挂方向、布料曲率等因素对驱动力的影响。系统还被整合进不同结构的服装中，验证了单机器人和多机器人配置。

它提醒我们，机器人技术的重要突破不一定来自更复杂的算法。一个成本可控、容易安装、能够稳定工作的机构，可能比一个庞大的系统更接近真实需求。

这个奖项由Cornerstone Robotics赞助。相比“给机器人加一个更大的模型”，拉链手的思路朴素得多：把一个日常动作拆开，设计一个足够可靠、足够便宜的机构去完成它。

农业机器人奖：不是草莓，而是让机器人只重建它真正需要的区域 SSL-Semantic-NBV：面向番茄植株的目标区域三维重建

论文：SSL-Semantic-NBV: A Self-Supervised Learning-Based NBV for Target-Aware 3D Reconstruction in Agricultural Robotics
团队：荷兰瓦赫宁根大学、中国农业大学等。
代码：https://github.com/WUR-ABE/SSL-Semantic-NBV

农业机器人经常需要对植物进行三维重建，但完整扫描一整株植物既耗时，也会采集大量对当前任务没有帮助的信息。

这篇论文让机器人根据目标区域主动选择下一次观察位置。例如，如果任务只关心番茄果实或茎节点，机器人就不必平均地扫描所有区域，而是优先补齐这些目标的三维信息。

论文在番茄植株上进行了测试，并使用自监督学习减少人工标注和训练数据的需求。

这项工作的重点不是“机器人看得更清楚”，而是让机器人知道“应该看哪里”。论文针对的是番茄植株目标区域的三维重建，由YANMAR赞助。对于温室巡检、病虫害监测和长期农业机器人运行来说，少走一些无用路线，往往比单纯提高图像分辨率更重要。

工业机器人奖：从“偶尔抓对”到“整箱抓空” Picking Bins Empty：让料箱拾取系统在线学习

论文：Picking Bins Empty: A Hierarchical Hybrid Approach with Online Self-Learning of Grasp Points for Reliable Industrial Bin-Picking
团队：Mercedes-Benz、德国航空航天中心（DLR）、Fraunhofer IAO与Reutlingen University。

工业料箱拾取的难点，不是抓起一个零件，而是把料箱真正抓空。

传统模型方法精度高，但遇到遮挡或识别失败容易卡住；模型无关方法适应性强，却经常缺乏生产线需要的稳定性。

这篇论文采用混合架构：经典模型方法负责打底，在线学习模块负责在遇到死角时探索新的抓取点，并根据夹爪反馈持续更新抓取候选。

论文在三类汽车零件上进行了验证，将基线方法的料箱清空率从50.9%提升到了100%。

它回答的是工业机器人落地时最现实的问题：不是一次抓取成功，而是连续工作数千次之后仍然能够少依赖人工调参。

官方奖项页面中的其他代表性工作

IROS 2026官方Awards页面还列出了安全救援、医疗、人机协作、空中机器人等方向的候选论文。例如：

安全与救援机器人奖：_Contact-Aided Factor-Graph Localization for Underwater Sampling_，通过机械接触信息帮助水下机器人在弱视觉环境中减少定位漂移；

安全与救援机器人奖：_AUG: Perception-Aware UAV Graph-Based Planning for GNSS-Denied Navigation in Feature-Sparse Environments_，让无人机在无GNSS、纹理稀疏环境中结合感知质量进行路径规划；

机构与设计奖：_GelSphere_，设计能够全向滚动的球形视觉触觉传感器，用于连续曲面扫描；

最佳论文候选：_VTAP Gripper_，将视觉与触觉结合，用于灵巧抓取和手内操作；

最佳论文候选：_Shallow-π_，通过蒸馏压缩流式VLA模型，使机器人更适合在端侧设备上实时运行；

最佳论文候选：_Streaming Gaussian Encoding for 4D Panoptic Occupancy Tracking_，研究如何让机器人在连续场景中保持更稳定的四维占据和目标身份。

这些论文不一定都像人形机器人打网球那样容易传播，但放在一起看，反而更能说明IROS的特点：从触觉传感器、农业视觉、工业抓取，到水下定位和端侧VLA，机器人真正走向应用所需要的每一块“基础设施”都在被推进。

奖项速览：以官方页面的入围信息为准

奖项单元

代表性论文

团队/机构

主要解决的问题

Best Paper / Best Student Paper

LT-Mem

韩国 DGIST

让机器人保留跨时间的物体身份和场景变化历史

Mobile Manipulation / Application

SteadyTray

UC San Diego

人形机器人行走时稳定运输托盘物体

Mobile Manipulation / Application

ULTRA

UIUC、上海交通大学、清华大学

从动作跟踪走向基于目标的全身移动操作

Entertainment and Amusement

Learning Athletic Humanoid Tennis Skills

清华大学、北大、上海AI Lab、Galbot等

用不完整的人类动作数据训练人形机器人打网球

Cognitive Robotics

VL-Nav

Buffalo、CMU、Duke、UCSD等

在陌生环境中进行视觉语言导航和任务分解

Robot Mechanisms and Design

Robotic Zipper

Stanford、宾夕法尼亚大学

帮助行动不便者完成自助穿衣

Agri-Robotics

SSL-Semantic-NBV

Wageningen、中国农业大学等

面向番茄目标区域进行高效三维重建

Industrial Robotics

Picking Bins Empty

Mercedes-Benz、DLR、Fraunhofer IAO等

通过在线自学习提高料箱拾取和清空率

结语

如果只看最容易传播的演示，IROS 2026可以概括为：机器人开始记忆、打球、端托盘和自己穿衣。

但如果把这些论文放回技术背景中，会看到更重要的变化：机器人研究正在从“模型能不能完成一个任务”，转向“系统能不能在长期运行中保持可靠”。

记忆解决的是时间问题，移动操作解决的是身体协调问题，工业抓取解决的是重复可靠性，农业和水下机器人解决的是复杂环境适应性。

机器人真正进入现实生活，靠的不会是一项孤立的神奇能力，而是这些看起来分散、实际上彼此相连的基础能力逐步成熟。

参考资料

IEEE/RSJ International Conference on Intelligent Robots and Systems. “IROS 2026 Awards.” https://2026.ieee-iros.org/program/awards/

Lee, Yumin, Hyoseok Ju, and Giseop Kim. “LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding.” https://arxiv.org/abs/2608.19059

Huang, Anlun, et al. “SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport via Residual Reinforcement Learning.” https://arxiv.org/abs/2603.10306

He, Xialin, et al. “ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation.” https://arxiv.org/abs/2603.03279

Zhang, Zhikai, et al. “Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data.” IROS 2026 Awards. https://2026.ieee-iros.org/program/awards/

Du, Yi, et al. “VL-Nav: A Neuro-Symbolic Approach for Reasoning-Based Vision-Language Navigation.” https://arxiv.org/abs/2502.00931

Weckerly, Amanda, et al. “Design, Modeling, and Performance of a Robotic Zipper for Self-Donning Clothing.” IROS 2026 Awards. https://2026.ieee-iros.org/program/awards/

Ci, Jianchao, et al. “SSL-Semantic-NBV: A Self-Supervised Learning-Based NBV for Target-Aware 3D Reconstruction in Agricultural Robotics.” IROS 2026 Awards. https://2026.ieee-iros.org/program/awards/

Töper, Florian, et al. “Picking Bins Empty: A Hierarchical Hybrid Approach with Online Self-Learning of Grasp Points for Reliable Industrial Bin-Picking.” IROS 2026 Awards. https://2026.ieee-iros.org/program/awards/

Mbot具身智能实验室

让尖端科技触手可及，人人皆可探索未来