<mark id="oztn4"></mark>
0
| 本文作者： 陳淑瑜 | 2026-07-16 10:28 | 專題：RSS：機器人，科學與系統會議 |
來源：【Mbot具身智能實驗室】
原文鏈接：https://mp.weixin.qq.com/s/GHRWr-XBL0nE7uQUnmsvlg?scene=1&click_id=4
RSS 2026 的 accepted papers 已經公布。從官方論文列表和 RSS 2026 Paper Explorer 的統計結果看，本屆會議共收錄 210 篇論文，覆蓋 21 個 session，每篇論文平均作者數約 7.4 人，整體呈現出高度交叉和系統化的研究特征。其 中，Humanoids、Control & Dynamics、Multi-robot Systems、Perception and Estimation、Planning 是規模最大的幾個 session，各包含 13 篇論文；而 World Models & Memory、VLA Models、Datasets and Benchmarks、
Manipulation、Navigation、Imitation Learning、RL 等方向也都保持了較高密度，說明 RSS 2026 的機器人研究并不是由單一熱點驅動，而是在學習、感知、控制、規劃、操作、仿真與具身模型之間形成了更完整的技術版圖。
從 topic 統計看，Learning 是最核心的關鍵詞，覆蓋 105 篇論文，約占全部論文的一半；其后是 Manipulation 56 篇、Perception 51 篇、Control and Dynamics 48 篇。這組數據很有代表性：學習方法已經成為機器人研究的主軸，
但最終仍然要落到操作、感知和控制這些機器人基本問題上。與具身智能直接相關的方向同樣突出，包括 Human-Robot Interaction 36 篇、Navigation and Planning 36 篇、Safety and Robustness 33 篇、Language and VLM 27 篇、 Simulation and Digital Twins 20 篇、Humanoids and Locomotion 16 篇。需要說明的是，這些 topic 來自 RSS 2026 Paper Explorer 基于標題和 session 的規則化自動打標，并非 RSS 官方關鍵詞，但它們仍然能較好反映本屆論文 結構。
因此，RSS 2026 傳遞出的一個明確信號是：具身智能正在從“把視覺語言模型接到動作輸出”進一步走向“可預測、可評估、可自我改進的機器人閉環系統”。這不是一個單點趨勢。RSS 2026 單獨設立了 World Models & Memory session，
同時 VLA Models、Imitation Learning、Datasets and Benchmarks、Humanoids、Manipulation 等方向也出現了大量與具身基礎模型相關的工作。尤其是 world model、memory、VLA、sim-to-real、cross-embodiment、long-horizon
manipulation 等關鍵詞，在論文標題和摘要中高頻出現。
如果用一句話概括這屆 RSS 2026 在具身智能方向的技術變化，我認為是：
機器人基礎模型的重點，正在從“學會輸出動作”轉向“理解動作會如何改變世界，并利用這種預測能力持續改進策略”。
下面我按幾個技術主線展開梳理。
過去兩年，VLA（Vision-Language-Action）模型是具身智能里最受關注的方向。它的基本思路是：輸入圖像、語言指令和機器人狀態，輸出動作序列。這個范式很有吸引力，因為它把大模型的語義理解能力直接接入了機器人控制。
但問題也很明顯：很多 VLA 模型本質上仍是強行為克隆系統。它們可以從大規模示范數據中學到“類似場景下人類或專家會怎么做”，但當任務進入長時程、接觸豐富、動態擾動、遮擋嚴重的真實場景時，只靠一步步模仿很容易累積誤差。
RSS 2026 的 World Models & Memory session 正是在回應這個問題。該 session 包括 Memory Retrieval in Visuomotor Policies、RAG-Diff、Self-Improving Robot Policy with Compositional World Model、HAIC、ViPSim、Act2Goal、Causal World Modeling、Simulation Distillation、Interactive World Simulator 等論文。它們共同指向一個核心判斷：機器人不能只根據當前觀測輸出動作，還需要預測未來狀態、評估動作后果，并把這種能力用于規劃、訓練和評測。
論文 Self-Improving Robot Policy with Compositional World Model 提出 RISE。它針對的是一個很現實的問題：VLA 模型在接觸豐富和動態操作任務中仍然脆弱，而真實世界 on-policy RL 又面臨安全風險、硬件成本、環境 reset 等限制。
RISE 的思路是構建一個組合式世界模型：一部分負責預測多視角未來狀態，另一部分負責評估 imagined outcome 的任務進展價值。然后系統在“想象空間”里生成 rollout、估計 advantage、更新策略，從而減少真實物理交互成本。
這個設計有兩個值得注意的點：
第一，它不是把世界模型當成一個單純的視頻預測器，而是把它拆成“狀態預測”和“價值評估”兩個功能模塊。前者關注未來會發生什么，后者關注這些未來對任務是否有幫助。
第二，它把策略改進從真實世界搬到 imagined space 中進行。對于機器人來說，這一點很關鍵，因為真實試錯不僅慢，而且經常伴隨碰撞、失敗和設備損耗。
根據官方摘要，RISE 在動態磚塊分揀、背包打包、關盒子等真實任務上取得了明顯提升。這類結果說明，world model 不是只用于可視化預測，而是可以成為策略自我改進的訓練接口。
論文：https://www.roboticsproceedings.org/rss22/p012.pdf
主頁：https://opendrivelab.com/RISE
Causal World Modeling for Robot Control 則把問題推進了一步。它明確提出，視頻世界模型與視覺語言預訓練一樣，是機器人學習的重要基礎能力。
這篇論文提出 CauVA，將幀預測和動作推斷統一到一個自回歸擴散框架中。它的核心技術包括：把視覺幀和動作作為同一個因果序列處理的 Mixture-of-Transformers、通過 KV cache 保留真實交互歷史、以及用 noisy latent augmentation 從中間去噪視頻中快速解碼動作。
這里的關鍵不只是“預測未來圖像”，而是“從對未來的預測中反推出動作”。如果一個模型既能回答“執行這個動作后場景會怎樣變化”，也能回答“為了達到這個未來狀態應該執行什么動作”，它就不再只是生成模型，而是開始承擔控制器和規劃器的一部分角色。
這也是世界模型在機器人中區別于通用視頻生成模型的地方：機器人關心的不是視頻是否逼真，而是預測是否與動作、物體、接觸和任務進展一致。
論文：https://www.roboticsproceedings.org/rss22/p016.pdf
HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model 關注人形機器人與欠驅動物體的交互，例如滑板、推車、拉車以及帶負載的物體操作。
這類任務的難點在于：目標物體并不是剛性綁定在機器人末端執行器上的。物體有自己的速度、加速度、慣性、非完整約束和遮擋問題。傳統只基于視覺或末端狀態的控制，很容易在動態耦合中失效。
HAIC 的方法是從機器人本體歷史中預測物體的高階狀態，包括速度和加速度，并把預測結果投影到靜態幾何先驗中，形成一種動態 occupancy 表示。這樣，即使視覺上有盲區，策略也能利用預測到的動態邊界和接觸 affordance 做決策。
這個方向非常值得關注，因為它說明 world model 正在從桌面機械臂操作擴展到 humanoid whole-body interaction。人形機器人要進入真實環境，不能只會走路，也不能只會抓取。它必須在移動、平衡、接觸、避障、負載變化之間做連續決策，而這正是 dynamics-aware world model 可以發揮作用的地方。
論文：https://www.roboticsproceedings.org/rss22/p013.pdf
主頁：https://haic-humanoid.github.io/
代碼：https://github.com/ldt29/HAIC
Act2Goal: From World Model To General Goal-conditioned Policy 則把 world model 與 goal-conditioned policy 結合起來。
傳統 goal-conditioned policy 往往輸入當前觀測和目標圖像，然后直接預測下一步動作。但對于長時程操作來說，中間過程非常重要。只看最終目標，很難保證策略不會在中途偏離。
Act2Goal 的做法是：先用目標條件視覺世界模型生成一串可能的中間視覺狀態，再通過多尺度時間控制把這些 imagined states 轉成實際動作。論文中提出的 Multi-Scale Temporal Hashing 將軌跡分成兩類：近端密集幀用于細粒度閉環控制，遠端稀疏幀用于保持全局任務一致性。
這背后的思想很清晰：長時程任務不應該只用一個最終目標約束，而應該把任務展開成一條可執行、可糾偏的視覺計劃。對于機器人來說，“我最終要把東西放進盒子”不夠；它還需要知道“下一階段應該接近哪個中間狀態”。
官方摘要還提到，Act2Goal 支持無獎勵的在線自主改進，通過 hindsight goal relabeling 和 LoRA 微調，在一些真實 out-of-distribution 任務中能在短時間交互后顯著提高成功率。這個結果體現了一個重要趨勢：離線大規模學習和在線部署適應正在合流。
論文：https://www.roboticsproceedings.org/rss22/p015.pdf
如果說上面的論文主要把 world model 用于策略訓練和控制，那么 Interactive World Simulator for Robot Policy Training and Evaluation 關注的是另一個更基礎的問題：能不能把 world model 變成可交互的機器人訓練與評測環境？
根據官方摘要，這篇工作構建了一個交互式世界模擬器，可以用中等規模機器人交互數據訓練 world model，并支持在單張 RTX 4090 上以 15 FPS 進行超過 10 分鐘的穩定長時程交互。更重要的是，論文用 world-model-generated data 訓練了 Diffusion Policy、Action Chunking Transformer 和 π-series policies 等策略，并在真實世界中驗證這些策略的表現。
這個方向的意義很大。
目前機器人學習有兩個非常大的瓶頸：
第一，真實數據昂貴。機器人采集數據慢、設備成本高、場景 reset 麻煩，而且失敗可能造成硬件損耗。
第二，真實評測不穩定。不同實驗室、不同物體、不同相機角度、不同初始狀態都會影響結果，導致論文之間很難公平比較。
如果交互式世界模型可以穩定生成動作條件下的長期物理變化，并且模型內評測與真實世界評測有較強相關性，那么它就可能成為機器人領域的“可擴展評測代理”。這不是簡單的仿真替代，而是從真實交互數據中學習出來的 surrogate environment。
當然，這里仍有關鍵挑戰：world model 是否真的理解接觸、摩擦、遮擋、形變和失敗狀態？它生成的數據是否會帶來模型偏差？在模型中表現好的策略，是否會利用 world model 的漏洞而不是學到真實可遷移行為？這些問題決定了 world model 能否從研究 demo 走向基礎設施。
但至少從 RSS 2026 的論文布局看，社區已經開始認真對待“world model as training and evaluation infrastructure”這個方向。
RSS 2026 的 VLA Models session 也很密集，包括 X-DiffVLA、SkillVLA、BagelVLA、GuidedVLA、AR-VLA、continual learning VLA、π*?.?、StereoVLA、RLux-VLA 等。
這一組論文傳遞出的信號是：VLA 已經從“能不能工作”進入“如何更可靠、更泛化、更可持續改進”的階段。
X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models 關注 cross-embodiment learning。
現有 VLA 模型通常需要針對具體機器人形態進行微調。機械臂、夾爪、靈巧手、移動底盤的 action space 不同，動作分布和可達空間也不同。這會限制大模型在不同機器人之間遷移。
X-DiffVLA 的核心是一個統一的跨本體 diffusion action head。它通過 Embodiment Forcing 讓動作生成隱式適配不同 embodiment 的功能組件，并通過 Morphological Tree Diffusion 捕捉不同末端執行器之間的結構相關性。
這個問題在產業中尤其重要。真實部署不可能只面對一種標準機器人。如果每換一個夾爪、每換一臺機械臂都要重新訓練大模型，VLA 的通用性就會大打折扣?？绫倔w動作建模，可能是機器人基礎模型走向平臺化的必要步驟。
論文：https://www.roboticsproceedings.org/rss22/p081.pdf
主頁：https://boyuli-xh.github.io/X-DiffVLA/
BagelVLA: Enhancing Long-Horizon Manipulation via Interleaved Vision-Language-Action Generation 試圖把語言規劃、視覺預測和動作生成放進統一框架。
很多 VLA 系統會把語言規劃和動作生成分成不同模塊，或者只關注其中一個能力：要么強調語言推理，要么強調視覺預測。但長時程操作通常同時需要這兩者。機器人既要理解任務階段，也要預判物體狀態變化，還要生成低層動作。
BagelVLA 的做法是將文本推理和視覺預測交錯嵌入動作執行循環，并通過 Residual Flow Guidance 用較低延遲提取預測視覺特征來指導動作生成。
這個方向說明，下一代 VLA 可能不會是“語言模型 + 動作頭”的簡單結構，而會更像一個多模態生成控制系統：語言負責抽象任務結構，視覺預測負責物理后果，動作生成負責執行。
論文：https://www.roboticsproceedings.org/rss22/p083.pdf
主頁：
π*?.?: a VLA That Learns From Experience 是另一篇很值得關注的論文。它提出 RECAP，通過 advantage-conditioned policies 利用真實世界經驗，包括人類示范、策略 rollout 和在線糾正數據。
這篇論文的核心問題是：VLA 要真正部署，不能只依賴離線數據。因為真實環境中的長尾情況太多，離線數據不可能覆蓋所有失敗模式。模型必須能從部署中的失敗、糾正和人類干預中學習。
官方摘要提到，π*?.? 可以在真實家庭中長時間完成疊衣任務，也可以在工廠裝箱、操作專業咖啡機，并在部分困難任務上提升吞吐量、降低失敗率。
這類工作代表了 VLA 的一個重要轉向：從 static policy 到 experience-driven policy。也就是說，模型不是訓練完就固定，而是在真實使用中繼續吸收經驗。
這里最難的不是“再訓練一次模型”，而是如何處理異構經驗數據。真實部署中會有成功示范、失敗軌跡、人類接管、局部糾正、任務偏好、環境變化。這些數據質量不一、目標不一、分布復雜。如何把它們轉化為穩定的策略改進信號，是 VLA 走向實用的核心問題之一。
論文：https://www.roboticsproceedings.org/rss22/p087.pdf
主頁：https://www.pi.website/blog/pistar06
如果只看模型架構，很容易低估數據和評測的重要性。但 RSS 2026 的 Datasets and Benchmarks session 顯示，社區正在把數據基礎設施當成具身智能的核心競爭點。
MolmoSpaces: Large-Scale Open Ecosystem for Robot Manipulation and Navigation 提供了一個大規模開放生態，包括超過 23 萬個室內環境、13 萬個帶標注物體資產、4.8 萬個可操作物體和 4200 萬個穩定抓取，并支持 MuJoCo、Isaac、ManiSkill 等模擬器。
這不是傳統意義上的單一 benchmark，而更像一個機器人學習的數據與評測生態。它覆蓋靜態操作、移動操作、導航、多房間長時程任務等場景，并報告了較強的 sim-to-real correlation。
為什么這重要？
因為具身智能真正困難的地方不是某個固定任務，而是長尾分布：房間布局不同、物體幾何不同、遮擋不同、初始姿態不同、任務表達不同。靠少量真實實驗無法系統覆蓋這些變化。大規模、多樣化、可復現的開放環境，可能是訓練和評測通用機器人策略的必要條件。
LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion 則從數據攝取和模型規模上給出另一個方向。
這篇論文提出 1B 參數級別的 Latent Dynamics Action Model，并構建 EI-30k，一個包含超過 3 萬小時人類和機器人軌跡的 embodied interaction dataset。它的目標不是只做行為克隆，而是聯合學習 dynamics、policy 和 visual forecasting。
這非常關鍵。傳統行為克隆傾向于篩選高質量專家數據，因為次優軌跡可能傷害動作學習。但對于 dynamics learning 和 world modeling 來說，失敗、探索、低質量軌跡也有價值，因為它們包含“動作如何改變世界”的信息。
如果一個模型能從異構數據中區分不同數據質量的角色：高質量示范用于策略學習，普通交互用于動力學建模，失敗軌跡用于邊界學習，那么機器人數據利用效率會顯著提升。
這也是為什么 world model 與 foundation model 結合后，會改變機器人數據范式：數據不再只是“正確動作標簽”，也是關于物理世界的觀察樣本。
RSS 2026 的 manipulation 論文數量很大，且從第一組開始就出現了雙臂操作、人類視頻遷移、語義接觸場、視覺觸覺策略、人到機器人策略遷移、大行為模型共訓練等方向。
這說明一個事實：具身智能并沒有因為大模型出現而繞開傳統機器人難題。相反，大模型路線正在重新進入最硬的機器人問題：接觸、摩擦、形變、遮擋、力控、誤差累積。
例如，Contact-Grounded Policy、TactAlign、TACTIC、ViTacFormer、Force Policy、Contact-Anchored Policies、HydroShear 等工作都表明，觸覺和接觸建模仍然是高可靠操作的關鍵。
視覺語言模型可以提供任務語義，world model 可以預測未來趨勢，但當機器人真正接觸物體時，局部力學信息仍然不可替代。尤其在插入、抓取、布料、軟體物體、接觸豐富裝配等任務中，僅靠 RGB 視覺往往不足以判斷是否滑動、是否卡住、是否接觸穩定。
因此，一個更現實的具身智能系統很可能不是單一大模型端到端解決所有問題，而是由多種信號共同構成：
視覺語言模型負責理解任務和場景語義；
世界模型負責預測未來狀態和動作后果；
觸覺/力覺模型負責局部接觸狀態估計；
控制器負責穩定執行和安全約束；
在線學習模塊負責從真實交互中持續修正。
這也是 RSS 2026 給出的一個重要提醒：機器人智能不是純粹的多模態理解問題，而是多模態理解、物理預測、控制穩定性和真實交互數據共同構成的系統問題。
Humanoids session 也是 RSS 2026 的重點之一。論文覆蓋滑板、跑酷、通用 humanoid loco-manipulation foundation model、generalist locomotion、raw-pixel locomotion、高動態控制等方向。
值得注意的是，人形機器人方向正在從“能走、能跑、能保持平衡”走向“在運動中完成操作”。例如 Ψ? 這類工作強調 universal humanoid loco-manipulation，HiWET 關注長時程 humanoid loco-manipulation，Now You See That 探索從 raw pixels 學習端到端 humanoid locomotion。
這與 world model 和 VLA 的趨勢是相互呼應的。人形機器人如果只做 locomotion，本質上還是運動控制問題；如果要進入真實生活和工業場景，它必須同時具備：
對環境的語義理解；
對物體動力學的預測；
對全身運動和操作的協調；
對失敗和擾動的恢復能力；
對長時程任務目標的保持能力。
這意味著 humanoid 不會只是更復雜的機械結構，它會倒逼具身智能模型處理更復雜的狀態空間、更強的動態耦合和更長的任務鏈條。
如果只看表面關鍵詞，RSS 2026 當然有很多“大模型”色彩：VLA、foundation model、1B 參數、large-scale dataset、open ecosystem。但更值得關注的不是模型繼續變大，而是具身智能開始補齊閉環。
我認為可以總結為五個技術趨勢。
VLA 解決的是“根據當前輸入輸出動作”的問題，而 world model 解決的是“動作會如何改變未來”的問題。后者對于長時程任務、規劃、失敗恢復、策略改進都更關鍵。
未來的機器人基礎模型，很可能不會只是 VLA，而是 VLA + world model + value/reward model + memory 的組合系統。
RSS 2026 多篇論文都在強調自我改進、真實經驗、在線糾正、hindsight relabeling、reinforcement fine-tuning。這說明僅靠離線數據訓練一個固定策略已經不夠。
真實部署中的失敗軌跡和人類糾正，將成為非常重要的數據資產。
如果一個模型只能服務一種機械臂或一種夾爪，它很難成為真正的基礎模型。X-DiffVLA、DexGrasp-Zero、RIO、LDA-1B 等方向都在嘗試處理不同機器人本體之間的遷移。
這背后需要統一動作表示、形態條件建模、數據格式標準化和可遷移控制接口。
MolmoSpaces、RoboLab、LIBERO-X、RoboVista、OopsieVerse 等工作說明，具身智能已經進入“評測基礎設施競爭”階段。
沒有大規模、多樣化、可復現、與真實世界相關性強的 benchmark，模型能力就很難被準確度量，也很難穩定迭代。
無論模型多大，機器人最終要和真實世界接觸。接觸、摩擦、形變、遮擋、力反饋、安全約束、硬件限制，仍然決定了系統能不能落地。
因此，未來有競爭力的具身智能系統，應該不是純神經網絡端到端替代一切，而是把 foundation model、world model、觸覺感知、控制理論、仿真和真實交互數據整合起來。
RSS 2026 給出的信號很明確：具身智能正在從“模型能否聽懂指令并輸出動作”進入“模型能否理解物理后果并持續自我改進”的階段。
VLA 仍然重要，但它不再是全部。世界模型、記憶、價值評估、在線學習、仿真生態、跨本體遷移、觸覺接觸和人形全身控制，正在共同構成下一代機器人基礎模型的技術棧。
如果說過去幾年機器人學習的核心問題是“如何從數據中學動作”，那么 RSS 2026 展示的新問題是：
機器人如何建立一個可用于行動、評估和自我改進的內部世界？
這可能會成為未來幾年具身智能最關鍵的技術主線。
參考資料
RSS 2026 Accepted Papers: https://roboticsconference.org/program/papers/
Self-Improving Robot Policy with Compositional World Model: https://roboticsconference.org/program/papers/12/
HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model: https://roboticsconference.org/program/papers/13/
Collaborating Visual and Parameter Spaces for Consistent Long-Horizon Embodied World Model: https://roboticsconference.org/program/papers/14/
Act2Goal: From World Model To General Goal-conditioned Policy: https://roboticsconference.org/program/papers/15/
Causal World Modeling for Robot Control: https://roboticsconference.org/program/papers/16/
Simulation Distillation: Pretraining World Models in Simulation for Rapid Real-World Adaptation: https://roboticsconference.org/program/papers/17/
Interactive World Simulator for Robot Policy Training and Evaluation: https://roboticsconference.org/program/papers/18/
X-DiffVLA: X-Embodied Diffusion Action Heads for Vision-Language-Action Models: https://roboticsconference.org/program/papers/81/
BagelVLA: Enhancing Long-Horizon Manipulation via Interleaved Vision-Language-Action Generation: https://roboticsconference.org/program/papers/83/
π*?.?: a VLA That Learns From Experience: https://roboticsconference.org/program/papers/87/
MolmoSpaces: Large-Scale Open Ecosystem for Robot Manipulation and Navigation: https://roboticsconference.org/program/papers/91/
LDA-1B: Scaling Latent Dynamics Action Model via Universal Embodied Data Ingestion: https://roboticsconference.org/program/papers/210/
專題
