IROS 2026大獎揭曉：長期記憶拿下最佳論文，人形機器人打網球、端託盤雙雙獲獎

在機器人領域，一個更大的模型並不能自動解決所有問題。作者丨馬曉寧 編輯丨岑 峰 當地時間 9 月 30 日，IROS 2026 主會在美國匹茲堡落下帷幕，本屆大會的主要獎項也在最後一天正式揭曉。AI科技評論在現場獲悉，今年的 Best Paper Award 最終頒給了一項關於機器人“長期記憶”的研究。Yumin Lee、Hyoseok Ju 和 Giseop Kim 憑藉《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》拿下最佳論文。

Best Student Paper Award 則由 Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M.Ani Hsieh 獲得。他們研究的是多架四旋翼無人機以極近距離編隊飛行時，如何應對彼此之間複雜的氣流乾擾。另外兩項頗為吸睛的獎項屬於人形機器人。一項工作讓人形機器人學習真人網球動作，另一項則讓人形機器人端起托盤，在雙足行走的同時保持托盤上的物體穩定。

如果把今年的獲獎論文和 Best Paper Finalist 放在一起看，長期記憶、VLA、世界模型、4D 場景理解、視觸覺操作、飛行控制、人形機器人、軟體機器人和生物製造機器人等方向都出現在了名單之中。相比單純討論機器人又“學會了什麼新動作”，今年的一批獲獎工作開始觸及一個更加現實的問題。當機器人真正進入現實環境之後，怎樣讓這些能力持續、穩定地工作？01最佳論文給了機器人“長期記憶”如果一個機器人在同一個地方生活一年，它應該記住什麼？這是今年 IROS 最佳論文背後的一個核心問題。

Yumin Lee、Hyoseok Ju 和 Giseop Kim 的獲獎論文題為《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》。對於今天的大多數機器人系統而言，“理解一個場景”更多是在理解此時此刻的場景。機器人走進辦公室，看見桌子、椅子、打印機，可以建立一套場景表示；第二天椅子被搬走，它又可以根據新的觀測更新自己的地圖。問題也由此產生。如果新的狀態不斷覆蓋舊狀態，那麼機器人雖然知道“現在是什麼樣”，卻逐漸失去了“過去是什麼樣”。

LT-Mem 將這種現象稱為 temporal amnesia，也就是時間性遺忘。對於真正長期運行的機器人來說，歷史恰恰可能非常重要。一堵牆幾乎不會移動，一張辦公椅偶爾會被挪走，人的背包每天可能出現在不同位置，一個停車位則可能呈現某種週期性的佔用規律。機器人不僅需要認識這些東西，還需要知道什麼東西會變、多久變一次，以及過去是怎樣變化的。LT-Mem 因此沒有簡單地繼續擴大模型，而是設計了一套分層的長期記憶結構，其中包括 Live Memory、Delta Memory 和 Meta Memory 三個層次。

Live Memory 保存當前世界的狀態，Delta Memory 記錄場景發生過哪些變化，Meta Memory 則進一步從長期歷史中總結規律。在這套系統中，一個尤其重要的概念是 Volatility，也就是易變性。機器人會根據不同對象歷史上發生變化的頻率，判斷它究竟是一個相對穩定的環境組成部分，還是一個頻繁發生變化的對象，並據此決定如何組織自己的記憶。於是，機器人面對的問題不再只是“綠色椅子在哪裡”，還可以進一步變成“這把綠色椅子過去都出現在哪裡”“這個停車位什麼時候最可能空出來”“這個物體的位置是否足夠穩定，可以作為長期導航的參照”。

這也是 lifelong scene understanding 和普通場景理解之間的重要區別。機器人面對的不再是一張靜止的照片，而是一個有歷史的世界。最終，LT-Mem 從今年 10 篇 Best Paper Finalist 中勝出。某種程度上，這個結果也反映出機器人研究正在面對的一個越來越現實的問題。如果機器人未來真的要連續工作幾個月甚至幾年，它應該怎樣理解時間？02從“貼著飛”，到打網球、端托盤如果說 Best Paper 討論的是以月甚至年計算的時間，那麼今年的 Best Student Paper 研究的，則是一個發生在毫秒之間的問題。

Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M.Ani Hsieh 的《Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight》獲得 IROS 2026 Best Student Paper Award。多架無人機編隊飛行並不是新問題，真正困難的是，當它們飛得非常近時應該怎麼辦。四旋翼產生的下洗氣流會影響附近的飛行器。當無人機之間的距離進一步縮小時，這些複雜的空氣動力學干擾會迅速變得不可忽略。

研究者因此引入 physics-informed residual dynamics learning，讓學習模型補償傳統動力學模型難以準確描述的空氣動力學效應，同時保留系統的 differential flatness，從而繼續利用高效的軌跡規劃與控制方法。這篇論文同時進入 Best Paper Finalist，最終獲得 Best Student Paper Award。但今年頒獎臺上最容易被普通讀者理解的機器人，可能還是另外兩臺，因為它們一個在打網球，一個在端托盤。

張智楷、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、王鶴、Li Yi 等人的《Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data》，獲得 Best Entertainment and Amusement Paper Award。網球對人形機器人來說，是一個相當苛刻的全身運動任務。

它不只是讓機械臂揮一下球拍，機器人還需要觀察來球、移動身體、調整重心、控制擊球時機，同時協調腿部、軀幹和手臂。這篇工作的一個關鍵問題在標題中已經寫出來，Imperfect Human Motion Data。現實中的人類運動數據並不總是完整、標準而精準，如果每學習一種體育技能，都需要重新採集大量高質量動作捕捉數據，那麼數據本身就會成為擴展人形機器人技能的重要瓶頸。這項工作嘗試讓機器人從並不完美的人類動作數據中提取和組合運動技能，並最終在人形機器人上實現網球任務。另一篇獲獎論文則沒有這麼“炫”，機器人只是端著一個托盤走路。

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》獲得 Best Paper Award on Mobile Manipulation。但“會走路”和“端著東西走路”，其實是完全不同的難題。雙足機器人行走時不可避免地產生身體擺動和衝擊，如果托盤上的物體沒有被固定，這些擾動就會直接傳遞給物體。

機器人自己沒摔倒，並不意味著杯子不會摔。SteadyTray 的思路不是重新訓練一個包辦所有問題的大模型，而是將 locomotion 和 payload stabilization 拆開。已有的下肢策略負責走路，額外的 residual policy 則學習如何利用上半身動作抵消托盤受到的擾動。它所代表的，也是人形機器人近年來一個明顯變化。研究正在從單純的 locomotion 繼續走向 loco-manipulation，機器人不僅需要移動自己的身體，還必須在移動過程中完成任務。

03 導航、穿衣、種地、水下作業，機器人進入更具體的世界如果說長期記憶、人形機器人和無人機代表了今年頒獎結果中最醒目的幾個方向，那麼其餘專項獎，則展示了機器人正在進入多少種不同的現實環境。

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》獲得 Best Paper Award on Cognitive Robotics。這項工作指向近年來非常重要的 Vision-Language Navigation。

機器人導航正在從傳統的“從 A 點移動到 B 點”，逐漸變成根據語言描述理解環境、物體以及空間關係，再進行行動。VL-Nav 選擇的是一條 neuro-symbolic 路線，試圖把神經網絡強大的感知能力與結構化的符號推理結合起來。另一篇獲獎論文甚至重新設計了我們每天都會使用的一件東西，也就是拉鏈。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》獲得 Best Paper Award on Robot Mechanisms and Design。它有意思的地方在於，研究者並不是一味讓機器人變得更加複雜，而是反過來重新設計物理世界本身，使服裝更加適合自動穿戴。這也是機器人學與純 AI 研究非常不同的一面，解決一個問題並不一定需要更大的模型，有時候更好的機械設計就是答案。

農業機器人方向，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》獲得 Best Paper Award on Agri-Robotics。這項工作關注農業場景三維重建中的 Next-Best-View 問題。

機器人並不是漫無目的地繼續拍攝，而需要判斷下一步移動到哪裡，才能獲得對目標最有價值的新信息。水下機器人方向，Michele Grimaldi、Yosaku Maeda、Hitoshi Kakami、Ignacio Carlucho、Yvan R.Petillot 和 Tomoya Inoue 的《Contact-Aided Factor-Graph Localization for Underwater Sampling》獲得 Best Paper Award on Safety, Security, and Rescue Robotics。

在 GPS 和穩定視覺信息都受到限制的水下環境中，研究者嘗試利用機器人與環境發生的接觸來輔助定位。對於真實機器人而言，“碰到了什麼”本身也可以成為感知信息。此外，Yizhao Qian、Yuzhuo Wang、Chenxi Liu、Jiayuan Luo、Wenwei Gao、袁奕萱、孟慶虎和 Li Liu 的《Acoustic-Aware Texture Optimization for Ultrasound-Based Capsule Pose Estimation》獲得 Best Application Paper Award。

工業機器人方向，Florian Töper、Samarth Kishor Yelvande、Jan Niklas Ewertz、Rudolph Triebel 和 Peter Ohlhausen 的《Picking Bins Empty: A Hierarchical Hybrid Approach with Online Self-Learning of Grasp Points for Reliable Industrial Bin-Picking》獲得 Best Paper Award for Industrial Robotics Research for Applications。

它的標題尤其直接，Picking Bins Empty，也就是把箱子抓空。工業機器人真正需要證明的，從來不只是“我成功抓了一次”，而是能不能面對遮擋、堆疊、姿態變化以及一次又一次操作產生的新狀態，持續完成抓取，直到箱子真正被清空。0410 篇最佳論文候選，機器人研究正在獎勵什麼？最終拿下 Best Paper 的只有 LT-Mem，但進入最後階段的 10 篇論文，可能更能說明 IROS 2026 正在關注什麼。

除了 LT-Mem 和最終拿下 Best Student Paper 的四旋翼編隊工作，Boseong Jeon、Yunho Choi、Taehan Kim 的 Shallow-π 研究 Flow-based VLA 的知識蒸餾。

Yuhao Zhou、Sheeraz Athar、胡智嫻、黃秉豪、李昀燭、Juan Wachs、Yu She 的《VTAP Gripper: Synergizing Fingertip Sensing and a Visuo-Tactile Active Palm for Dexterous In-Hand Manipulation》，則將 fingertip sensing 與 visuo-tactile active palm 結合，指向更加複雜的靈巧手內操作。

Maximilian Luz、Thomas Nürnberg、Yakov Miron、Abhinav Valada 的《Streaming Gaussian Encoding for 4D Panoptic Occupancy Tracking》將 Gaussian 表徵推進到動態 4D 場景理解。

Yohan Choi、Min-Jun Kim、Jin-Sung Kim、Yong-Jae Kim、Youn-Hee Han 的《DAWN: Noise-Robust Quadruped Parkour Via Depth-Denoising World Models》，則把 Depth-Denoising World Model 用到了四足機器人的 Parkour。另外幾篇候選論文分別涉及玻璃表面三維重建、EEG-EMG 多模態融合、磁性軟體機器人，以及機器人輔助的生物製造組織植入。

例如 Jiamin Zheng、Jingwen Yu、Guangcheng Chen、Hong Zhang 的《Enhancing Glass Surface Reconstruction Via Depth Prior for Robot Navigation》，直接面對機器人視覺中一直非常棘手的玻璃表面問題。

Bin Wang、Shengming Luo、Jiansheng Du、Yuanbiao Ma、Xuanyu An、Qianqian Wang 的《Autonomous Multimodal Locomotion Control of a Magnetic Strip Soft Robot》，則把研究對象轉向了結構和運動方式完全不同的磁性軟體機器人。

SeungTaek Hong、Jaewon Byun、Daekeun Kim、Jinah Jang、Keehoon Kim 的《Toward Autonomous Biofabricated Tissue Implantation: A Non-Contact Robotic Manipulation System for Soft and Fragile Modules》，進一步把機器人帶到了柔軟、脆弱的生物製造組織操作場景中。這份名單最有意思的地方，恰恰是沒有哪一種技術路線統治所有機器人問題。

VLA、World Model、Memory、Gaussian、Visuo-Tactile 和 Residual Learning 同時出現，大量工作也依然在認真解決空氣動力學、接觸、機械結構、軟體材料和實時控制。在機器人領域，一個更大的模型並不能自動解決所有問題。05當機器人真正進入現實世界論文獎之外，IROS 2026 還公佈了一系列個人獎項。日本千葉工業大學的王志東獲得 IROS Distinguished Service Award，大會給出的獲獎理由是表彰其在組織 IROS 會議方面長期作出的貢獻。

UT Austin 的 Roberto Martin-Martin 與 TU Dresden 的 Roberto Calandra 獲得 Toshio Fukuda Young Professional Award。前者的獲獎理由集中於 learning-based manipulation、contact-rich control 和 physically interactive robot systems，後者則因 sample-efficient robot learning，以及將先進觸覺感知引入機器人智能等貢獻獲獎。

Ralph Hollis 獲得 Emeritus Keynote Award for Research Achievement，大會特別提到其長期的機器人研究貢獻，以及對幾代機器人研究者的培養。此外，Alper Yegenoglu 和 Ariyan Bighashdel 獲得 Outstanding Associate Editor Award，Dingsheng Luo 和 Long Zeng 獲得 Outstanding Reviewer Award。如果把這些個人獎項和論文獎放在一起看，今年 IROS 的獲獎名單並不是某一種模型或者某一個方向的集中勝利。

LT-Mem 開始處理機器人長期記憶，DAWN 將世界模型用於四足機器人運動，VTAP Gripper 推進視覺與觸覺融合，人形機器人則開始挑戰網球和端托盤這樣的複雜任務。與此同時，機器人正在進入農田、工廠和水下環境，也開始面對玻璃、衣物、軟組織等更加複雜的真實對象。這些工作採用的技術路線並不相同，卻共同指向一個變化：機器人研究正在從“獲得一種能力”，繼續走向“在真實世界裡持續使用這種能力”。如果要從 IROS 2026 的獲獎結果中尋找一條共同線索，它或許不是簡單的“具身智能繼續升