IROS 2026奖项揭晓：长期记忆摘得最佳论文

在机器人领域，单纯依靠更大的模型无法自动解决所有问题。

当地时间 9 月 30 日，国际机器人顶会 IROS 2026 主会在美国匹兹堡闭幕，大会各项核心大奖正式揭晓。今年的最佳论文奖（Best Paper Award）最终颁发给了一项关于机器人“长期记忆”的研究；最佳学生论文奖则聚焦多架四旋翼无人机在极近距离编队飞行时对复杂气流干扰的应对机制。

此外，人形机器人领域两项成果表现抢眼：一项让人形机器人学会了真人的网球动作，另一项则让人形机器人端着托盘平稳双足行走。

最佳论文：为机器人构建“长期记忆”

如果一个机器人长期处于同一环境中，它究竟该记住什么？这是本届最佳论文探讨的核心问题。

Yumin Lee、Hyoseok Ju 和 Giseop Kim 凭借论文《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》斩获最佳论文大奖。

现有大多数机器人系统的场景理解通常局限于“此时此刻”。机器人走进办公室可以构建即时地图，但当环境中的物体被移走后，新状态会直接覆盖旧状态。这种“时间性遗忘”（temporal amnesia）使机器人失去了对历史变化的掌握。

墙体几乎永不移动，办公椅偶尔变换位置，背包每天位置不同，车位则具有周期性占用规律。机器人不仅需要识别物体，还要理解物体的变化规律与频率。

LT-Mem 没有盲目扩大模型参数，而是构建了分层的长期记忆框架：

• Live Memory：实时记录当前世界状态；
• Delta Memory：记录环境发生的局部变化；
• Meta Memory：从长期历史数据中提炼时空规律。

系统引入了“易变性”（Volatility）指标，根据对象历史变化频率来决定记忆的组织方式。机器人因此能够推断“椅子过去常出现在哪”或“该物体是否适合作为长期导航的稳定路标”，实现了真正的终身场景理解（lifelong scene understanding）。

从微距编队飞控，到打网球与端托盘

最佳学生论文奖由 Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M. Ani Hsieh 获得，论文题目为《Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight》。

多旋翼无人机在极近距离飞行时，彼此的下洗气流会产生难以建模的强空气动力学干扰。该研究引入物理启发的残差动力学学习（physics-informed residual dynamics learning），在补偿复杂气流干扰的同时保留了系统的微分平坦性，保障了毫秒级实时轨迹规划与高效控制。

在人形机器人方向，两篇获奖论文直面现实操控挑战：

由张智楷、王鹤、Li Yi 等人完成的论文《Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data》斩获最佳娱乐与休闲论文奖。

打网球需要机器人完成观察来球、全身重心调整、腿部与手臂高度协同等动作。该研究解决了现实人类动捕数据不完整、低精度的问题，使人形机器人可以直接从非完美运动数据中提取并复合技能。

由 Anlun Huang 等人完成的《SteadyTray: Learning Object Balancing Tasks in Humanoid Tray Transport Via Residual Reinforcement Learning》摘得移动操作最佳论文奖。

双足行走产生的身体摆动极易倾覆托盘上未固定的物品。SteadyTray 将下肢行走策略与托盘平衡分离，利用残差强化学习专门训练上半身动作以实时抵消行走扰动，让人形机器人研究从单纯的行走（locomotion）稳步跨入移动操作（loco-manipulation）。

深入农业、工业与极端复杂场景

本届大会的其他专业奖项，展现了机器人向垂直物理场景的深度渗透：

• 认知机器人最佳论文：《VL-Nav》，提出神经符号方案，将大模型感知与结构化符号推理结合，实现基于常识推理的视觉语言导航。
• 机构与设计最佳论文：斯坦福团队针对衣物穿戴设计了自适应机器人拉链，展示了通过重新设计物理硬件简化任务的思路。