当地时间9月30日，机器人领域顶级会议IROS 2026主会在美国匹兹堡落下帷幕，大会主要奖项于最后一天正式揭晓。今年的Best Paper Award颁给了一项关于机器人“长期记忆”的研究，Yumin Lee、Hyoseok Ju和Giseop Kim凭借《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》获得最佳论文。Best Student Paper Award由Pei-An Hsieh、Fengjun Yang、Nikolai Matni和M. Ani Hsieh获得，其研究聚焦多架四旋翼无人机在极近距离编队飞行时如何应对复杂气流干扰。
两项人形机器人相关研究同样受到关注：一项让人形机器人学习真人网球动作，另一项让人形机器人端起托盘并在双足行走时保持物体稳定。从今年获奖论文与Best Paper Finalist名单来看，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、软体机器人及生物制造机器人等方向均有覆盖。相比单纯展示机器人“学会了什么新动作”，今年一批获奖工作开始触及更现实的问题：当机器人真正进入现实环境之后，怎样让这些能力持续、稳定地工作。
最佳论文LT-Mem针对的是机器人长期运行中的“时间性遗忘”问题。当前多数机器人系统对场景的理解停留在此时此刻，新观测不断覆盖旧状态，导致机器人虽知道“现在是什么样”，却逐渐失去“过去是什么样”。LT-Mem设计了一套分层长期记忆结构，包括Live Memory、Delta Memory和Meta Memory三个层次：Live Memory保存当前世界状态，Delta Memory记录场景变化，Meta Memory从长期历史中总结规律。系统中一个关键概念是Volatility（易变性），机器人根据对象历史上发生变化的频率，判断其是相对稳定的环境组成部分还是频繁变化的对象，并据此组织记忆。这一能力使机器人面对的问题从“绿色椅子在哪里”扩展为“这把绿色椅子过去都出现在哪里”“这个停车位什么时候最可能空出来”等。
Best Student Paper研究的是毫秒级问题。多架四旋翼无人机编队飞行并非新问题，但极近距离飞行时，下洗气流带来的空气动力学干扰迅速变得不可忽略。研究者引入physics-informed residual dynamics learning，让学习模型补偿传统动力学模型难以准确描述的气动效应，同时保留系统的differential flatness，以继续利用高效轨迹规划与控制方法。该论文同时进入Best Paper Finalist。
人形机器人方面，张智楷、Haofei Lu、Yunrui Lian、Ziqing Chen、Yun Liu、Chenghuai Lin、Han Xue、曾子乘、Zekun Qi、Shaolin Zheng、Qing Luan、Jingbo Wang、Junliang Xing、王鹤、Li Yi等人的《Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data》获得Best Entertainment and Amusement Paper Award。网球对人形机器人是苛刻的全身运动任务，需要观察来球、移动身体、调整重心、控制击球时机并协调腿、躯干与手臂。该工作尝试让机器人从并不完美的人类动作数据中提取和组合运动技能，以降低对高质量动作捕捉数据的依赖。另一篇获奖论文《SteadyTray: Learning Object Balancing Tasks in Humanoid Tra》则聚焦人形机器人端托盘行走时的物体稳定控制。
从最佳论文到各专项奖，IROS 2026的获奖名单显示，机器人研究正在从单一能力展示转向长期运行稳定性、真实环境适应性与数据效率等更具工程落地意义的方向。当机器人需要连续工作数月甚至数年，如何理解时间、如何处理 imperfect 数据、如何在动态干扰中保持稳定，将成为下一阶段的关键课题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
