來源：公眾號“AI新現場”
原文鏈接：https://mp.weixin.qq.com/s/Z5zve4Fv3yA4cwsv9eT3jQ
在RSS 2026獲獎成果中，除了杰出論文獎和杰出學生論文獎外，還有一個專門表彰機器人系統創新的重要獎項，叫Seth Teller紀念杰出系統論文獎 (Outstanding Systems Paper in memory of Seth Teller)。
獎項以美國已故機器人科學家Seth Teller命名，用于紀念他對機器人、計算機視覺和空間感知領域的重要貢獻。Seth Teller曾任麻省理工學院 (MIT) 教授，長期研究機器人感知、三維環境建模以及自主系統。他的重要研究推動了機器人從單純依靠預設程序執行任務，逐漸走向能夠感知環境、理解空間并自主行動的智能系統。Seth Teller的研究理念強調，機器人真正走向現實世界，不僅需要先進算法，還需要感知、建模、控制和硬件系統之間的深度結合。因此，Outstanding Systems Paper in memory of Seth Teller并不只是獎勵某一個算法創新，而是關注機器人研究中更具挑戰的一環：如何將不同技術模塊整合成能夠在真實環境中穩定運行的完整機器人系統。今年獲得這個獎項的論文就是圍繞機器人動力學建模和外部力感知展開，提出了一種基于神經網絡的執行器建模方法，讓機器人能夠更加準確地理解自身運動狀態，并提升對外部作用力的感知能力。值得關注的是，這篇論文第一作者Zhiyang Dou是一名來自MIT計算機科學與人工智能實驗室的華人博士生。對于快速發展的具身智能而言，機器人不僅需要擁有更強的“人工智能大腦”，還需要具備類似生物體的“身體理解能力”。NeuralActuator正是在這一方向上的探索：通過學習機器人自身執行器和動力系統中的復雜規律，讓機器人更加準確地感知自身狀態，并在真實物理環境中實現更加穩定和智能的控制。
論文標題：NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception (NeuralActuator：用于機器人動力學建模和外部力感知的神經執行器模型)作者團隊：Zhiyang Dou、John U. Onyemelukwe、Hangxing Zhang、Heng Zhang、Minghao Guo、Yunsheng Tian、Michal Piotr Lipiec、Joshua Jacob、Chao Liu、Peter Yichen Chen、Yuri Ivanov、Wojciech Matusik (共12位)關鍵詞：機器人動力學 · 神經網絡建模 · 執行器建模 · 外部力感知 · 機器人控制 · Physical AI
| 作者團隊介紹
第一作者Zhiyang Dou目前是MIT CSAIL博士生，研究方向包動力學建模、物理人工智能、機器人、仿真、控制、幾何計算以及生成式人工智能等領域。在加入MIT攻讀博士前，Zhiyang Dou曾獲得香港大學MPhil學位，并曾在賓夕法尼亞大學進行訪問研究。他目前的研究重點，是探索如何利用機器學習和數據驅動方法，讓機器人更準確地理解自身運動規律，并提升機器人在真實物理環境中的自主能力。合作團隊來自機器人、計算機科學和工程領域，長期關注機器人系統中的建模、控制與智能化問題。相比單純提升某一個算法指標，團隊希望解決機器人走向真實應用時面臨的基礎挑戰：如何建立更加準確、更加適應現實環境變化的機器人模型。
| 論文摘要
機器人控制長期依賴精確的動力學模型。理論上，只要機器人能夠準確描述自身運動規律，就可以根據模型設計穩定、高效的控制策略。然而，在真實機器人系統中，執行器往往存在大量難以建模的復雜因素，比如電機非線性、機械摩擦、結構柔性以及外部環境影響。這些因素會導致機器人實際表現與理論模型之間產生偏差。同樣的控制指令，在不同負載、不同速度甚至不同環境條件下，機器人產生的運動效果可能并不完全一致。傳統方法通常需要人工建立執行器模型，并通過大量工程調試提升控制效果。但隨著機器人系統越來越復雜，尤其是人形機器人、靈巧操作機器人等高自由度系統的發展，手工設計模型逐漸難以滿足需求。針對這一問題，NeuralActuator提出了一種基于神經網絡的執行器建模方法。這個方法通過學習機器人執行器在真實運行過程中的動態變化，建立更加準確的機器人動力學模型。除了預測機器人運動狀態，這個方法還能夠利用執行器信息推斷機器人受到的外部作用力。比如，當機器人與環境發生接觸、受到碰撞或者受到人為推動時，系統能夠更準確地感知這些外部影響。實驗結果表明，NeuralActuator能夠提升機器人動力學預測能力，并增強外部力感知效果，為更加智能和安全的機器人控制提供了新的技術基礎。
| 核心解決的問題
1. 為什么機器人需要“理解自己的身體”？
人類能夠完成復雜動作，一個重要原因是我們不僅知道環境是什么樣，也知道自己的身體狀態。比如人可以感受到手中物體的重量變化，也能夠根據阻力調整抓取力度。對于傳統機器人而言，控制系統通常依賴提前建立好的數學模型。比如機器人需要知道電機輸出多少力量，機械結構會產生怎樣的運動。但現實中的機器人并不是理想機器，執行器、材料和環境都會帶來各種不可預測因素。如果機器人無法準確理解自身狀態，就很難完成復雜任務。比如一個機械臂抓取玻璃杯時，需要知道自己施加的力量是否過大；一個人形機器人行走時，需要感知地面反饋并及時調整姿態。NeuralActuator解決的核心問題，就是讓機器人擁有更準確的“身體感知”。2. 為什么傳統動力學模型難以滿足未來機器人需求？
過去幾十年，機器人控制主要依賴人工設計模型。這種方式在工業機器人等結構固定、環境穩定的場景中非常有效。人形機器人需要適應不同地面條件，家庭機器人需要面對未知物體和環境變化，靈巧操作機器人需要完成精細交互。這些任務要求機器人具備更強的適應能力。傳統模型的問題在于，它通常只能描述工程師已經知道的規律，而現實世界中存在大量難以提前預測的因素。NeuralActuator的思路是讓機器通過數據學習這些隱藏規律，而不是完全依賴人工建模。3. 如何幫助機器人實現更智能的控制？
機器人智能的發展，不僅需要更大的模型，也需要更準確的物理理解能力。當前具身智能領域的重要方向之一，就是讓 AI 模型能夠連接數字世界和物理世界。機器人不僅需要理解語言和圖像，還需要理解力量、運動、空間和自身狀態。NeuralActuator正是在這一方向上的探索。它通過神經網絡建立機器人執行器與真實物理環境之間的聯系，讓機器人能夠更加準確地預測自身動作，并感知外界反饋。? 解讀
現在很多機器人已經擁有了不錯的“大腦”，能夠通過人工智能算法規劃動作、識別環境，但它們還不一定真正了解自己的“身體”。人為什么能夠拿起一個雞蛋而不會捏碎？因為人在動作過程中不斷感知自己的力量，并根據反饋調整。NeuralActuator做的事情，就是幫助機器人建立這種“身體感覺”。它讓機器人知道自己的動作是否符合預期，也能夠感受到外界對自己的影響。簡單來說，過去的機器人更像是按照說明書工作的機器；未來的機器人需要像生物一樣，根據自身狀態和環境變化不斷調整。這也是NeuralActuator得到認可的原因：它不僅提出了一種新的算法，更是在幫助機器人建立與真實世界交互的基礎能力。隨著具身智能、人形機器人和自主系統快速發展，未來機器人競爭的關鍵，不只是擁有更強的AI模型，還要擁有理解物理世界、控制自身身體的能力。NeuralActuator正是在這一方向上的重要探索。
專題
