IROS 2026 奖项揭晓：LT-Mem 长期记忆研究获最佳论文，人形机器人打网球、端托盘获奖
来源雷峰网查看原文
速览
- IROS 2026 最佳论文颁给机器人长期记忆研究 LT-Mem。
- LT-Mem 针对「时间性遗忘」，用三层记忆结构保留场景历史。
- Volatility 概念让机器人判断哪些物体稳定、哪些频繁变化。
- Best Student Paper 研究四旋翼极近距离编队的气流干扰补偿。
- 人形机器人网球工作尝试从非完美人类动作数据中学习技能。
- SteadyTray 把行走与托盘稳定拆开，用 residual policy 抵消扰动。
- VL-Nav 走 neuro-symbolic 路线，结合感知与符号推理做导航。
- 获奖方向覆盖长期记忆、VLA、世界模型、4D 场景理解、视触觉操作等。
- 研究重心从「学会新动作」转向「能力能否长期稳定运行」。
当地时间 9 月 30 日，IROS 2026 主会在美国匹兹堡闭幕，主要奖项在最后一天揭晓。Best Paper Award 颁给 Yumin Lee、Hyoseok Ju 和 Giseop Kim 的《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》，研究机器人如何长期记住环境的历史变化，而非只理解当下场景。Best Student Paper Award 由 Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M. Ani Hsieh 获得，研究多架四旋翼无人机极近距离编队飞行时如何应对气流干扰。两项人形机器人工作也获奖：一项让人形机器人从并不完美的人类动作数据中学习网球技能，另一项让机器人端着托盘行走并保持物体稳定。从获奖名单看，长期记忆、VLA、世界模型、4D 场景理解、视触觉操作、飞行控制、人形机器人、软体机器人和生物制造机器人等方向均有出现，研究重心正从「机器人学会了什么新动作」转向「能力进入现实环境后如何持续稳定工作」。
关键事实
- IROS 2026 主会于当地时间 9 月 30 日在美国匹兹堡闭幕，主要奖项在最后一天揭晓。
- Best Paper Award 颁给 Yumin Lee、Hyoseok Ju、Giseop Kim 的《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》。
- LT-Mem 从今年 10 篇 Best Paper Finalist 中胜出。
- LT-Mem 提出分层长期记忆结构，包含 Live Memory、Delta Memory 和 Meta Memory 三个层次，核心概念是 Volatility（易变性）。
- Best Student Paper Award 由 Pei-An Hsieh、Fengjun Yang、Nikolai Matni、M. Ani Hsieh 的《Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight》获得，该论文同时进入 Best Paper Finalist。
- 《Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data》获 Best Entertainment and Amusement Paper Award，作者包括张智楷、Haofei Lu、Yunrui Lian、Ziqing Chen、Yun Liu、Chenghuai Lin、Han Xue、曾子乘、Ze
本站视角
对国内做具身智能和机器人落地的团队来说，这届 IROS 的奖项分布给出了一个相对明确的信号：单纯堆模型规模、追求新动作演示的边际收益在下降，能否让能力在真实环境里持续稳定运行，正在成为评审与产业共同关心的问题。长期记忆直接关系到服务机器人、巡检机器人、仓储 AMR 这类需要长期驻留同一环境的产品的可靠性——如果机器人反复遗忘环境变化，运维成本和人工干预就会居高不下，LT-Mem 这类分层记忆与 Volatility 建模思路，对做长期建图与场景理解的团队有直接参考价值。人形机器人两项工作则指向工程上的务实选择：网球工作试图降低对高质量动捕数据的依赖，这对缺乏大规模动作数据采集能力的团队尤其重要；SteadyTray 把 locomotion 与 payload stabilization 拆开、用 residual policy 补偿扰动，是一条不需要重训大模型就能提升任务稳定性的路径，做配送、餐饮、酒店场景的团队值得跟进。需要指出的是，这些结论来自学术会议的单篇论文，原文并未给出量化 benchmark 分数或真实场景长期运行数据，因此不宜据此判断技术已经成熟；LT-Mem 的「长期」目前更多是方法层面的设计目标，实际能稳定运行多久、在多大场景规模下有效，仍需后续验证。此外，本届获奖名单中出现了多位中文姓名作者，说明国内高校与企业在人形机器人和具身智能方向上的参与度在提升，但论文获奖与产品落地之间仍有明显距离，不宜过度解读为产业拐点。
背景与影响
IROS 是机器人领域的两大顶会之一，其最佳论文评选通常被视为当年研究风向的参考。今年最佳论文给到长期记忆，指向一个此前较少被单独讨论的问题：机器人系统普遍只维护「此时此刻」的场景表示，新观测不断覆盖旧状态，导致机器人知道现在是什么样，却逐渐丢失过去是什么样，LT-Mem 将这一现象称为 temporal amnesia。它用 Live Memory、Delta Memory、Meta Memory 三层结构分别保存当前状态、变化记录和长期规律，并引入 Volatility 判断对象的变化频率，从而支撑「这把椅子过去出现在哪里」「这个停车位何时最可能空出」这类问题。这意味着机器人研究的评价标准可能从单次任务成功率，逐步转向连续运行数月甚至数年后的表现。人形机器人方面，网球与端托盘两项工作分别对应全身运动技能的数据效率问题，以及 loco-manipulation 中移动与负载稳定的解耦思路，后者不重新训练大模型，而是在已有下肢策略上叠加 residual policy。需要观察的是，这些工作目前多为学术验证，距离真实场景的长期部署仍有距离。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。