从1933篇IROS论文看机器人学：大模型未能颠覆传统架构

IROS 2026论文趋势分析

大模型并没有“吃掉”机器人学。

作为全球规模最大的机器人学术会议之一，今年 IROS 正式入选的论文达到 1933 篇。将这近两千篇论文铺开来看，它更像是一张当下机器人研究的横截面：从强化学习、模仿学习，到路径规划、视觉感知、运动控制、灵巧操作，再到人形机器人与多模态大模型，几乎所有关键路线皆在其中。

对 1933 篇论文进行多标签分类后发现：机器人学习与具身智能（Robot Learning / Embodied AI）相关论文约 809 篇，导航与规划 564 篇，感知与视觉 556 篇，控制与动力学 546 篇，机械臂操作（Manipulation）520 篇，而人形与足式机器人约为 213 篇。

这些数据释放了一个清晰的信号：在端到端狂奔两年后，机器人研究正通过三维几何、符号推理和底层控制的“中间层复兴”，重拾物理世界的本质规律。机器人学正在进入一个更加复杂的系统工程阶段。

01 AI 未取代传统机器人学，而是深度嵌入

大模型进入物理世界后，并未挤压掉机器人的原有技术模块。论文交叉数据显示，机器人学习与操作重叠的论文有 276 篇，与感知重叠 269 篇，与规划重叠 225 篇，与控制重叠 221 篇。

这种融合首先体现在规划层面。大语言模型可以理解“把杯子拿到桌子另一边”，但具体执行时，机械臂是否碰撞、关节是否可达，仍需要传统 Task and Motion Planning（TAMP）框架与几何约束参与。

感知与控制同样如此。入围 Cognitive Robotics 最佳论文候选的 GeoVLA 针对传统视觉-语言-动作（VLA）模型过度依赖 2D 像素的缺陷，显式引入了 3D 几何与深度信息。控制端方面，基础模型虽然泛化能力强，但几百毫秒的推理延迟无法满足机器人的高频控制回路。研究者正转向利用大模型辅助训练轻量、快速的小策略，实现模型能力与实时控制的解耦。

02 VLA 从“证明能做”进入“补短板”阶段

大会中涉及 VLA、VLM 及大模型的论文共有 162 篇（其中明确涉及 VLA 的有 82 篇）。研究重点已从“能否端到端生成动作”，转向推理效率、视角泛化与长时任务适应。

入围最佳论文候选的 Shallow-π 采用知识蒸馏压缩基于流匹配的 VLA，专攻边缘端实时部署；AnyCamVLA 则聚焦多视角零样本迁移，解决安装偏差导致的策略失效。此外，长时任务记忆（如外挂长程经验记忆库）以及模块化调度框架（如在外围配置监控器与重规划器）的兴起，表明 VLA 的竞争正在转向系统工程化构建。

03 结构分层：机器人重新长出“中间层”

如果端到端可以直接映射动作，为什么还需要推理与记忆？涉及 Reasoning 和 Memory 的近 120 篇论文给出了答案：面对长流程任务，“当前一帧看到什么”远远不够。

研究者开始引入时序 KV 缓存（如 TempoFit）与 3D 高斯场景记忆（如 GaussMemory），让机器人即使在物体被遮挡后依然保持空间认知。在决策端，视觉与语言双思维链（DualCoT-VLA）以及神经符号方法（如 VL-Nav）的结合，弥补了大模型在高层语义与底层连续动作控制之间的鸿沟。“高层规划-中间推理-底层控制”的系统层级再次确立。

04 灵巧操作成为最密集战场

操作（Manipulation）相关论文多达 520 篇，其中触觉与灵巧操作占据 225 篇。灵巧操作正从单纯追求高自由度拟人手，转变为感知、机构与算法的协同设计。

例如，入围奖项的 VTAP 夹爪采用可重构柔性手指与主动视触觉掌面，以简练结构实现手内旋转；PDS Joint 则从底层双螺旋关节刚度入手提升操作性能。同时，触觉信息也开始深度融入决策：TacVLA 将触觉直接输入端到端策略以应对视觉遮挡，HapticVLA 则尝试在训练期注入触觉感知并在推理时隐式利用，构建起感知、策略与硬件的闭环。