ICRA 2026最佳论文全解析

摘要

本届ICRA 2026四大Best Paper奖项全部由华人学者主导或核心参与。从大会最佳论文到最佳学生论文，从人形机器人跑酷到无人机敏捷拦截，华人研究者正在重新定义全球机器人学术的天花板。本文逐篇拆解这五篇定义了ICRA 2026的论文——它们不仅回答了"机器人能做什么"，更重要的是回答了"机器人为什么能做到"。

OmniRetarget：让人形机器人学会跑酷

U1系列有两个版本，参数差异显著：

解决了什么问题？

训练人形机器人全身运动技能的传统路径是：拍一段人类做动作的视频 → 把动作"映射"到机器人身上（重定向）→ 用映射后的轨迹训练强化学习策略。这条路有两个致命缺陷：

• 第一，物理不可行。 人类和机器人的身体结构差异巨大——比例不同、质量分布不同、关节自由度不同。简单的关键点映射会导致滑脚（脚在仿真里飘着走）、穿模（手穿进墙里）、重心漂移——生成的"参考轨迹"在物理上根本不可执行。
• 第二，交互信息丢失。 当一个人搬椅子踩上去爬高台，关键信息不是他的手肘在空间中的绝对坐标，而是"手抓住了椅子边缘、脚踩在椅子面上、身体重心压在前脚掌"——这些人与物体、人与环境的接触关系。传统重定向只做几何映射，这些关系全丢了。

怎么做？

OmniRetarget的核心创新是一张叫做"交互网格"（Interaction Mesh）的东西。想象你要把一个真人的动作"穿"到一个机器人身上。传统方法是在人的关节和机器人的关节之间画一一对应的连线，然后做缩放平移。OmniRetarget的做法是：在这张网上，不仅连接机器人身体各部位，还把机器人-物体-地形之间的空间与接触关系统统织进去——脚与台阶边缘的距离、手与扶手的相对位置、身体重心与支撑点的空间分布。

然后，用拉普拉斯变形优化（Laplacian Deformation Minimization）来求解重定向：在满足关节限位、碰撞避免、足部接触稳定性等硬约束的前提下，最小化人类网格与机器人网格之间的变形。就像拉伸一张橡皮网——整体形状会变，但网格中每个点的相对关系依然保持。

一段人类示范能自动扩充为8小时以上的高质量训练数据——适配不同机器人形态、不同地形、不同物体配置。然后用这些数据训练强化学习策略。最令人震惊的是奖励函数的设计：

效果如何？

在宇树G1人形机器人上，OmniRetarget实现了：

• 30秒连续跑酷：搬椅子→踩椅爬高台→跳跃翻滚，一气呵成
• 墙面翻转速度达 3.5 m/s，峰值角速度 15 rad/s
• 动作成功率 >82%（传统方法仅50-70%）
• 零样本迁移到真实机器人，无需任何实机微调

OmniRetarget从根本上解决了人形机器人的"数据瓶颈"问题。以前，让机器人学会一个复杂的全身动作，需要专业动捕设备+大量人类遥操作+逐任务调参。现在，一段人类视频就能生成覆盖多种地形、多种物体、多种机器人形态的无限训练数据。

这是人形机器人从"逐个任务手工调参"走向"一次示范、批量生产"的里程碑。

Bi-Adapt：用极少样本让机器人学会"即兴发挥"

双臂操作的泛化是所有机器人公司的噩梦。在实验室里训练好的"抓杯子"策略，换一个形状不同的杯子可能就废了。传统做法是：换一个物体→重新采集几百条遥操作数据→重新训练。这不可规模化。

怎么做？

Bi-Adapt提出了一种少样本适应机制：模型在大量通用操作数据上预训练后，面对一个从未见过的物体，仅需极少量的新样本（有时是个位数），就能将已有技能泛化过去。

核心思路是一种高效的参数适应策略——不是重新训练整个模型，而是只更新模型中的一小部分"适配参数"，让模型在保留已有泛化能力的同时，快速吸收新物体的几何和物理特征。

效果如何？

• 在多项双臂操作基准测试上达到SOTA
• 面对训练中完全未见过的物体，仅需极少量样本实现零样本级别的泛化
• 连续两年入围ICRA最佳论文Finalist——这在ICRA历史上极为罕见，说明这项工作的技术深度和持续影响力得到了同行的高度认可

FP3：让机器人用"3D的眼睛"看世界

大多数VLA（视觉-语言-动作）模型依赖2D图像作为输入。但在精细操作中，2D图像丢失了深度信息——你无法从一张照片里精确判断一个螺丝距离指尖还有2毫米还是5毫米。

怎么做？

FP3直接在3D点云上学习操作策略。点云天然包含空间几何信息，不需要从2D推断3D。但3D点云的数据量远大于2D图像，对模型架构和训练效率提出了严峻挑战。

高阳团队设计了一种高效的3D点云编码器，能在保持几何精度的同时大幅压缩计算量，使得在真实机器人上实时运行3D策略成为可能。这项工作的工程难度在于：既要保持3D的精度优势，又要跑出2D的实时性。

效果如何？

FP3和千寻智能的Spirit v1.6具身模型共享技术基因。在ICRA现场，搭载类似3D感知能力的Spirit v1.6演示了"串糖葫芦"——竹签穿过山楂的瞬间，力大了会裂，力小了穿不过，这需要毫米级的空间感知精度。FP3代表了具身智能感知层从"2D看个大概"向"3D精确感知"的关键跃迁。

ETac：给灵巧手装上"触觉神经"

解决了什么问题？

本届ICRA上，触觉传感器在灵巧手上的装配率从2024年末的百分之十几飙升至60%以上。但有一个尴尬的问题：有了触觉硬件，怎么在仿真里训练触觉策略？

现有的触觉仿真框架要么精度不够（模拟出来的"触感"和真实传感器输出差距太大），要么速度太慢（跑一个操作任务需要几天）。结果是：很多团队花大价钱给灵巧手装了触觉传感器，但模型训练还是在纯视觉下完成的——触觉硬件成了摆设。

怎么做？

ETac提出了一个轻量级高效的触觉仿真框架，在仿真精度和计算速度之间找到了一个巧妙的平衡点。它不追求像素级的触觉渲染，而是专注于与操作成功率最相关的那几个触觉维度——接触力大小、接触点位置、表面纹理粗糙度——用精简的物理模型快速生成，大幅降低计算开销。

效果如何？

ETac被学界称为"为灵巧手补齐了触觉感知模态"。这意味着：以前触觉是机器人研究中的"奢侈品"（只有顶尖实验室能玩），ETac让它变成了"日用品"——任何一个有GPU的研究组都能在仿真里训练触觉策略，然后迁移到真实传感器上。这将加速整个行业从"能抓"到"会摸"的进化。

总结

数据效率革命——"用更少数据做更多事"：OmniRetarget一段人类示范生成8小时数据；Bi-Adapt个位数样本完成泛化。这是对2023-2025年"大力出奇迹"（堆数据、堆算力）路线的深刻反思和升级——不是不要数据，而是让每一帧数据的价值最大化。

3D与触觉回归——"从看个大概到精确感知"：FP3用3D点云替代2D图像，ETac给灵巧手补齐触觉仿真。行业正在从"纯视觉"时代进入"多模态感知"时代——机器人不仅需要"看到"物体，还需要"感知"它的三维几何、表面纹理、重量分布。

从"能动"到"能干活"——全身移动操控成为新基准：OmniRetarget的跑酷、PIBOT的驾驶舱操作、Bi-Adapt的双臂协调——它们都不再满足于"机器人走两步"或"机械臂抓个积木"。新的技术基准是：在移动中完成有接触的操作（loco-manipulation），在非结构化环境中完成长程任务。

以上内容如有错误请留言评论，欢迎指正交流。如有侵权，请联系删除