研究了1933篇 IROS 論文，我們看到了機器人學的六項新變化

大模型並沒有“吃掉”機器人學。作者丨馬曉寧 編輯丨岑 峰 9月27日，IROS 2026 將在匹茲堡開幕。重隔31年後，IROS 重回這座鋼鐵之城。作為全球規模最大的機器人學術會議之一，今年進入正式議程的論文達到 1933 篇。把這近兩千篇論文鋪開來看，它更像是一張 2026 年機器人研究的橫截面：從強化學習、模仿學習，到路徑規劃、視覺感知、運動控制、靈巧操作，再到人形機器人、觸覺和大模型，過去幾年機器人領域幾乎所有重要技術路線，都同時出現在這張圖譜裡。但真正值得注意的，並不是 Humanoid、VLA 或 World Model 這些更容易獲得產業和媒體關注的關鍵詞。

對 1933 篇論文進行多標籤梳理後可以看到，Robot Learning / Embodied AI 相關論文約有 809 篇，Navigation / Planning 564 篇，Perception / Vision 556 篇，Control / Dynamics 546 篇，Manipulation 520 篇，而 Humanoid / Legged 相關論文約為 213 篇。由於一篇論文可能同時涉及多個方向，這些數字不能簡單相加，但它們說明了一件事：機器人研究並沒有因為大模型進入，而被重新歸併成一個單一的“AI 問題”。

相反，學習、感知、規劃、控制和操作正在以前所未有的密度交織在一起。在萬眾矚目的 AGI 狂熱大背景下，這近兩千篇論文卻釋放了一個信號：大模型並沒有“吃掉”機器人學。恰恰相反，在經歷了兩年的端到端狂奔後，機器人研究正通過三維幾何、符號推理和底層控制的‘中間層復興’，試圖在匹茲堡找回那個被像素和 Token 掩蓋的物理靈魂。”IROS 2026 真正值得追問的，也許不是“大模型是否正在取代傳統機器人學”，而是機器人研究是否正在進入一個更復雜的系統階段。01 AI 沒有取代傳統機器人學，而是在重新嵌進去如果進一步觀察這些論文之間的交叉關係，大模型進入機器人之後真正發生的變化會更加清楚。

Robot Learning 與 Manipulation 同時出現的論文約有 276 篇，與 Perception 交叉的有 269 篇，與 Navigation / Planning 交叉的有 225 篇，與 Control / Dynamics 交叉的也有 221 篇。學習方法沒有簡單擠壓掉機器人原有的技術模塊，反而越來越深地嵌入這些傳統問題之中。這種變化首先體現在規劃上。

來自石溪大學的 Jorge Mendez-Mendez 在 《A Systematic Study of Large Language Models for Task and Motion Planning with PDDLStream》 中，系統測試了大語言模型嵌入傳統 Task and Motion Planning 框架之後的表現。研究並沒有指向“大模型可以直接取代規劃器”，反而顯示，幾何約束、運動可行性和執行邏輯仍需要傳統規劃體系參與。這很有代表性。

LLM 可以理解“把杯子拿到桌子的另一邊”是什麼意思，但機器人真正執行時，還必須回答機械臂會不會碰撞、關節是否可達、路徑能否執行，以及當前環境有沒有發生變化。問題因此從“LLM 能不能替代 Planner”，變成了兩者應該如何分工。類似現象也出現在 VLA 的感知端。入圍 IROS 2026 Cognitive Robotics 最佳論文候選的 GeoVLA: Empowering 3D Representations in Vision-Language-Action Models，由天津大學、原力靈機和清華大學團隊合作完成，作者包括 原力靈機的謝斌、清華大學的石昊等。

它針對的正是現有 VLA 過度依賴二維視覺的問題：傳統 VLA 往往從 RGB 圖像和語言指令直接生成動作，但真實機器人面對的是三維世界，物體高度、尺寸和相機視角變化，都可能直接影響抓取。GeoVLA 沒有繼續單純擴大模型，而是顯式加入深度和三維幾何信息，把 3D representation 與視覺語言特徵共同用於動作生成。換句話說，大模型變強以後，機器人學最傳統的“空間幾何”又被重新補了回來。控制端也出現了類似現象。

來自中佛羅里達大學、印度理工學院坎普爾分校、巴斯大學和馬里蘭大學帕克分校團隊的 Training Fast Robot Policies with Slow Foundation Models，研究的是一個很現實的問題：大型 Foundation Model 可以提供更強的知識和泛化，但推理速度太慢，不適合持續運行在機器人高頻控制環裡。因此，研究者讓大型模型更多參與訓練，再學習一個更輕、更快的機器人策略負責實際執行。語言模型晚幾百毫秒回答問題，用戶通常只會覺得它反應稍慢；機器人在抓取、接觸或者保持平衡時晚幾百毫秒動作，任務可能已經失敗。模型能力和實時控制，從來不是同一個問題。

更接近物理世界的觸覺研究，也呈現出相似方向。來自科羅拉多大學丹佛分校方新民等人與肯尼索州立大學團隊合作完成的 DexTact: A Visuo-Tactile Foundation Model for Dexterous Hand Grasping，把視覺和觸覺同時放進靈巧手抓取問題中。它研究的已經不再只是“圖像告訴機器人物體在哪裡”，而是“手接觸物體之後，系統還能感知到什麼”。這裡，Foundation Model、觸覺、靈巧操作和控制被放進同一套系統裡理解。因此，2026 年真正值得注意的變化，並不是機器人學正在被 AI 取代。

更準確地說，是 AI 開始深入機器人學最傳統的環節，同時也在被這些傳統問題重新塑形。02VLA 從“證明能做”進入“補短板”階段如果說過去兩年 VLA 最核心的問題還是“能不能讓一個統一模型理解視覺、語言並直接生成機器人動作”，那麼到了 IROS 2026，研究重點已經明顯向另一個方向移動：模型既然已經能做，接下來要解決的是，怎樣讓它做得更快、更穩，也更適合真實機器人。在我們的多標籤統計中，VLA、VLM、LLM 和 Foundation Model 相關論文約有 162 篇，佔全部論文的 8.4%；其中明確涉及 VLA 的論文約有 82 篇。這個規模已經足以形成一條獨立研究主線。

但它們關注的問題，並沒有繼續停留在“模型還能不能更大”，而是迅速分化到效率、三維理解、長時記憶、視角變化、現實環境適應和安全等問題上。最直接的例子是 Shallow-π: Knowledge Distillation for Flow-Based VLAs。這篇論文來自 42dot、首爾大學和 Samsung Research，並進入 IROS 2026 Best Paper / Best Student Paper Award 候選。它解決的不是如何訓練一個更大的 VLA，而恰恰是模型太大、推理太慢的問題，通過知識蒸餾壓縮 VLA，讓模型更適合真實機器人和邊緣設備部署。

這暴露了 VLA 進入機器人後的第一個現實約束：模型不僅要“聰明”，還必須足夠快。另一個短板是三維空間理解。前面提到的天津大學、原力靈機與清華團隊的 GeoVLA，本質上就是在給 VLA 補機器人學最傳統的幾何能力。視角變化本身甚至已經成為一個獨立問題。AnyCamVLA: Zero-Shot Camera Adaptation for Viewpoint Robust Vision-Language-Action Models 來自首爾大學與 MIT 團隊。

它研究的是攝像機位置改變後，原本訓練好的 VLA 為什麼容易失效，以及能不能在不重新訓練整個模型的情況下適應新的 camera viewpoint。真實部署中，相機安裝誤差、機器人平臺差異和視角變化都很常見，一個策略如果只能在固定視角下工作，就很難真正泛化。長時任務則暴露了另一類缺口：模型會執行動作，卻不一定會積累經驗。

Long-Term Memory for VLA-Based Agents in Open-World Task Execution 由南京大學、早稻田大學、逐際動力和浙江大學等團隊完成，把長期記憶直接接入 VLA Agent，讓系統保存已經完成過的軌跡和經驗，並在之後重新調用。這裡的問題已經不再是一次抓取成功與否，而是機器人能否在長流程任務裡記住“前面發生過什麼”。來自成均館大學的 RoboBRIDGE: A Modular Framework for Bridging Policies to Robust Real-World Robotic Agents 更進一步。

它沒有試圖重新訓練一個更強的 VLA，而是在預訓練策略外圍加入 Monitor、Perceptor、Planner、Controller 和 Robot Interface。當執行失敗時，Monitor 負責發現問題；環境發生變化時，Planner 重新規劃；Perceptor 更新場景；Controller 再把高層策略變成實際動作。這個結構很能說明 VLA 的下一階段正在發生什麼。研究開始從“造一個更強的 action predictor”，轉向如何圍繞它建立一個完整系統。所以，VLA 接下來的競爭可能不只是 scaling。

更大的問題正在變成 system engineering：一個 VLA 如何與感知、記憶、規劃、控制和硬件共同工作，並最終從一個能夠輸出動作的模型，變成一個能夠長期運行的機器人系統。03機器人正在重新長出“中間層”如果說 VLA 的第一階段是在嘗試把感知、語言和動作統一進一個模型，那麼 IROS 2026 另一條越來越清楚的研究線索是：研究者又開始主動在這個端到端鏈條中間加入新的結構。在1933篇論文中，Reasoning / Memory 相關論文約有 119 篇，佔全部論文的 6.2%；其中明確涉及 Reasoning 的有 64 篇，Memory 有 36 篇。

它們已經形成一批非常明確的 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。

這件事本身就值得追問：如果端到端模型已經可以直接從視覺和語言生成動作，為什麼機器人還需要 Reasoning、Memory、Planner，甚至重新引入 Symbolic Constraint 和顯式的 3D representation？原因之一，是機器人任務一旦變長，“當前這一幀看到什麼”就不再足夠。TempoFit: Plug-And-Play Layer-Wise Temporal KV Memory for Long-Horizon VLA Manipulation 來自西交利物浦大學團隊。

它沒有重新訓練一個更大的 VLA，而是利用模型內部的 temporal KV memory，讓現有策略跨時間保存並調用歷史信息。但機器人真正需要記住的，也不只是“過去看過什麼”。來自東京理科大學團隊的 GaussMemory: Task-Driven 3D Gaussian Scene Memory for Long-Horizon Robotic Manipulation，進一步把 Memory 放進三維空間。一個物體即使暫時被遮擋，也不能因為攝像頭此刻看不到就從機器人的“世界”裡消失；一個已經被移動的物體，也需要及時更新位置。

因此，機器人裡的 Memory 和語言模型裡的上下文記憶並不完全一樣。它必須和真實三維空間持續對應。推理問題同樣如此。DualCoT-VLA: Visual-Linguistic Chain of Thought Via Parallel Reasoning for Vision-Language-Action Models 由香港科技大學（廣州）與華為團隊合作完成。它沒有滿足於讓 VLA 直接輸出動作，而是在動作生成前加入視覺 Chain-of-Thought 和語言 Chain-of-Thought：一條處理空間關係，一條處理高層任務邏輯。

原本端到端模型試圖省掉的“高層—低層”分工，又以另一種形式回來了。入圍 Cognitive Robotics 最佳論文候選的 VL-Nav: A Neuro-Symbolic Approach for Reasoning-Based Vision-Language Navigation，則主要由紐約州立大學布法羅分校團隊完成，第一作者是杜燚。VL-Nav 把視覺語言模型的語義理解與顯式空間、符號推理結合起來，用於複雜環境中的 vision-language navigation。Symbolic 方法重新出現，並不意味著機器人學回到了完全基於規則的時代。

它承擔的是大模型目前還不擅長穩定完成的那部分任務：讓空間關係、執行條件和約束變得更加明確。從 Memory、Reasoning 到 Geometry、Planner 和 Symbolic Constraint，這些工作表面上採用的技術不同，但都在解決同一個結構性問題：高層語義理解和低層連續動作之間存在巨大的距離。因此，IROS 2026 出現的 Reasoning、Memory、Planner 和 Symbolic Constraint，與其說是在“反端到端”，不如說機器人學正在重新發明大模型與低層控制之間的中間層。端到端沒有簡單失敗，模塊化也沒有簡單復辟。

更準確的變化是：隨著任務從單步抓取走向長時操作，從實驗室環境走向開放世界，機器人系統正在重新出現層級。04Manipulation 成為具身智能最密集的戰場之一如果說 VLA、Reasoning 和 World Model 更多代表機器人“怎麼想”，那麼 Manipulation 更接近另一個問題：這些能力最終怎麼通過一隻手、一個夾爪或者一條機械臂，真正作用在物理世界裡。

Manipulation 相關論文約有 520 篇；進一步篩選 Dexterous Manipulation、Tactile、In-hand Manipulation、Contact-rich Manipulation 等方向後，相關論文約有 225 篇。其中，明確涉及 Tactile 的論文約有 91 篇，明確涉及 Dexterous Manipulation 的有 52 篇。在這 225 篇 Dexterous/Tactile 相關論文中，大約 165 篇同時涉及 Manipulation，79 篇涉及 Learning，57 篇涉及 Perception，52 篇涉及 Control。

觸覺、學習、感知和控制正在同一批操作任務裡不斷匯合。IROS 2026 Award Candidate VTAP Gripper: Synergizing Fingertip Sensing and a Visuo-Tactile Active Palm for Dexterous In-Hand Manipulation，由普渡大學和哥倫比亞大學團隊合作完成，其中包括普渡大學的胡智嫻，以及哥倫比亞大學的黃秉豪、李昀燭等研究者。它沒有繼續追求一隻自由度越來越接近人手的擬人靈巧手，而是設計了三根可重構柔性手指和主動視覺觸覺掌面，通過指尖觸覺與掌面主動接觸完成抓取和手內操作。

這裡最有意思的是，高水平靈巧操作未必一定依賴極高自由度的擬人結構。機械結構、主動接觸和多模態感知之間的協同，同樣可以產生複雜操作能力。另一篇機器人機構設計獎候選 PDS Joint: A Parametric Double-Spiral Joint Tailored for Dexterous Hands，來自北京理工大學五人團隊。他們從更底層的關節結構切入，把柔順結構、關節剛度、本體感知和學習校準共同放進靈巧手關節設計裡。從 VTAP 到 PDS Joint，可以看到硬件本身依然遠沒有收斂，但硬件也開始越來越難與感知、控制和學習分開。與此同時，觸覺正在從“裝一個傳感器”，走向“進入策略”。

TacVLA: Contact-Aware Tactile Fusion for Robust Vision-Language-Action Manipulation 由普渡大學和意大利理工學院合作完成，其中普渡團隊包括徐政通、張志遠等研究者。它把觸覺直接送進 VLA，在真正發生接觸時，讓觸覺信息參與動作決策。因為在遮擋、精細插拔或者已經建立接觸的場景裡，視覺提供的信息會快速下降。另一條路線則試圖降低部署階段對觸覺硬件的依賴。

HapticVLA: Contact-Rich Manipulation Via Vision-Language-Action Model without Inference-Time Tactile Sensing 來自斯科爾科沃科學技術學院團隊。他們在訓練階段使用觸覺信息，讓策略學習接觸知識，但在推理階段不再強制依賴實時觸覺輸入。TacVLA 和 HapticVLA 恰好代表兩種不同思路：一種把觸覺實時接進策略，另一種利用觸覺訓練，再儘量把觸覺經驗壓縮到模型裡。數據問題也開始浮現。

入圍 Entertainment and Amusement Paper Award 的 PianoFingering-1.5K: A Large-Scale Expert Piano Fingering Dataset for Dexterous Robot Learning 來自中國科學技術大學團隊，作者包括王若宇等人。他們把專家鋼琴指法整理成結構化數據集。鋼琴演奏看似特殊，實際卻是非常苛刻的靈巧操作任務：多個手指要在極短時間內完成精確、連續、具有強時序約束的接觸。把這種專家級動作系統化，本質上是在給機器人靈巧操作提供高質量的人類先驗。

從硬件、觸覺到數據，幾條路線最終匯聚到同一個問題：機器人如何形成真正的閉環操作能力。靈巧操作因此正在從“造一隻更好的手”，擴展為建立一套感知—觸覺—數據—策略—控制的完整閉環。05Humanoid 從“會走”向“邊走邊幹活”擴展人形機器人可能是過去兩年產業和媒體關注度最高的機器人形態之一，但如果把它重新放回 IROS 2026 的全部論文版圖裡，情況會顯得更加剋制。統計中，Humanoid / Loco-Manipulation 相關論文約有 89 篇，佔全部論文的 4.6%。

其中，46 篇與 Control 交叉，44 篇與 Learning 交叉，34 篇涉及 Manipulation，32 篇涉及 Planning。真正值得注意的，是這些論文內部的問題正在發生變化。過去幾年，人形機器人最重要的技術進展，大量集中在 locomotion；現在已經能看到另一批工作開始把“移動”和“操作”放進同一個系統裡。比較典型的是 ULTRA: Unified Multimodal Control for Autonomous Hu