IROS 2026大奖揭晓：长期记忆拿下最佳论文，人形机器人打网球、端托盘双双获奖

在机器人领域，一个更大的模型并不能自动解决所有问题。 作者丨马晓宁 编辑丨岑 峰 当地时间 9 月 30 日，IROS 2026 主会在美国匹兹堡落下帷幕，本届大会的主要奖项也在最后一天正式揭晓。 AI科技评论在现场获悉，今年的 Best Paper Award 最终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》拿下最佳论文。 Best Student Paper Award 则由 Pei-An Hsieh、Fengjun Yang、Nikolai Matni 和 M. Ani Hsieh 获得。他们研究的是多架四旋翼无人机以极近距离编队飞行时，如何应对彼此之间复杂的气流干扰。 另外两项颇为吸睛的奖项属于人形机器人。一项工作让人形机器人学习真人网球动作，另一项则让人形机器人端起托盘，在双足行走的同时保持托盘上的物体稳定。 如果把今年的获奖论文和 Best Paper Finalist 放在一起看，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都出现在了名单之中。 相比单纯讨论机器人又“学会了什么新动作”，今年的一批获奖工作开始触及一个更加现实的问题。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？ 01 最佳论文给了机器人“长期记忆” 如果一个机器人在同一个地方生活一年，它应该记住什么？ 这是今年 IROS 最佳论文背后的一个核心问题。Yumin Lee、Hyoseok Ju 和 Giseop Kim 的获奖论文题为《LT-Mem: Volatility-Aware Spatio-Temporal Memory for Lifelong Scene Understanding》。 对于今天的大多数机器人系统而言，“理解一个场景”更多是在理解此时此刻的场景。机器人走进办公室，看见桌子、椅子、打印机，可以建立一套场景表示；第二天椅子被搬走，它又可以根据新的观测更新自己的地图。 问题也由此产生。如果新的状态不断覆盖旧状态，那么机器人虽然知道“现在是什么样”，却逐渐失去了“过去是什么样”。LT-Mem 将这种现象称为 temporal amnesia，也就是时间性遗忘。 对于真正长期运行的机器人来说，历史恰恰可能非常重要。一堵墙几乎不会移动，一张办公椅偶尔会被挪走，人的背包每天可能出现在不同位置，一个停车位则可能呈现某种周期性的占用规律。 机器人不仅需要认识这些东西，还需要知道什么东西会变、多久变一次，以及过去是怎样变化的。 LT-Mem 因此没有简单地继续扩大模