RSS 2026
PulseAugur coverage of RSS 2026 — every cluster mentioning RSS 2026 across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
Advancements in minimal data training for robots are a key theme at RSS 2026 and related research
Multiple clusters highlight research into training robots with significantly less data, including techniques like leveraging human video, synthesizing data, and aligning tactile information without paired examples. This trend, also seen in the development of model Ψ₀, suggests a broader industry push to overcome data limitations in robotics.
Chinese firms to showcase embodied AI hardware ecosystems at RSS 2026
Evidence suggests Chinese firms are moving beyond sponsorship at RSS 2026 to actively present their own embodied AI hardware ecosystems. This indicates a growing competitive landscape and potential for new integrated solutions emerging from China in the embodied AI space.
RSS 2026 to feature dedicated sessions on VLA Models, Humanoids, and World Models
The RSS 2026 conference agenda indicates a strong focus on VLA Models, Humanoids, and World Models, suggesting these areas are converging and becoming central to embodied AI research. This convergence may accelerate the development of more integrated and capable embodied AI systems.
Chinese firms to announce new embodied AI hardware ecosystems within 6 months
The RSS 2026 evidence highlights a growing prominence of Chinese firms in robotics, moving beyond sponsorship to hardware ecosystems. This suggests a strategic push towards controlling key components of embodied AI development. We hypothesize that these firms will announce new integrated hardware solutions or platforms in the near future to solidify their position.
Humanoid robot foundation models to prioritize minimal real-world data training
The development of the Ψ₀ model, which trains effectively on limited real-world data by leveraging human video and smaller robot datasets, indicates a significant trend. This approach addresses a key bottleneck in robotics. We hypothesize that future humanoid robot foundation models will increasingly adopt similar data-efficient training methodologies.
-
Nvidia 发布 Cosmos 3，旨在实现具身智能开发的标准化
Nvidia 发布了 Cosmos 3，这是一款多模态世界基础模型，旨在将文本、视觉、音频和动作统一在单一的 Transformer 架构中。该模型旨在通过从组件组装方法转向集成系统来简化具身智能的开发。Nvidia 的愿景是建立 Cosmos 3 作为标准化
-
RSS 2026 上具身人工智能转向“想象力”，世界模型是关键 · 跟踪 1 个来源
在 RSS 2026 会议上，具身人工智能的重点已从数据驱动的模仿转向由世界模型驱动的“想象力”。研究人员正超越仅仅生成逼真的视频，而是将世界模型用作机器人“逻辑核心”和“虚拟沙盒”。这使得机器人在执行前能够预测结果并规划行动，从被动反应转向主动预测，并实现跨任务和跨载体的泛化。
-
机器人会议展示机器人操控转向少样本学习 · RSS 2026
2026年机器人：科学与系统（RSS）会议在悉尼举行，会议强调了机器人操控领域的一个重大转变，即从需要大量数据的传统方法转向“少样本”学习。研究人员正在开发仅需少量真实世界演示即可训练机器人的方法，利用人类视频、触觉数据和模拟来实现更强的泛化能力。创新包括从单次演示中合成数千个训练数据点，从人类互联网视频中学习，以及通过触觉对齐在无配对数据的情况下转移技能。会议还展示了在处理手术室和水下环境等复杂环境方面的进展，减少了在这些领域进行广…
-
斯坦福团队提出具身AI的“内部搜索”，超越数据中心方法
来自斯坦福的研究人员，包括李飞飞实验室的黄文隆，提出将具身AI从以数据为中心的方法转向“反事实推理”和“内部搜索”。这种新范式称为“Point-World”，旨在为机器人配备数字孪生大脑，使其能够在无需观察每一种可能的失败场景的情况下，预测未来的物理演变。通过关注3D几何空间和点云流，机器人可以在行动前虚拟探索无数“假设”的可能性，从而使它们能够开发新行为并持续学习。
-
佐治亚理工学院研究员称机器人规划落后于视频生成
佐治亚理工学院助理教授兼NVIDIA研究员Danfei Xu认为，当前高保真视频生成模型并不等同于真正的机器人规划能力。他强调了“视频-动作鸿沟”，即机器人可以预测逼真的未来场景，但由于缺乏真实世界的规划而无法在物理上执行。Xu提出了一种“组合世界模型”方法，在测试时使用模块化组件和因子图动态组装技能，使机器人能够更有效地处理复杂任务和物理约束。
-
机器人手的“形态即计算”荣获RSS经久考验奖
在RSS 2026会议上，享有盛誉的经久考验奖授予了一篇2014年的论文，该论文详细介绍了一款低成本、柔顺的机器人手，名为“RBO Hand”。该奖项表彰了该论文对具身人工智能和机器人抓取的深远而持久的影响。RBO Hand证明了机器人可以通过利用其硬件的物理柔顺性来自动解决抓取挑战，而不是通过复杂的视觉和控制算法来实现灵巧的操作。这种被称为“形态即计算”的方法，强调利用机器人的物理形态和环境约束来简化任务，这与当今普遍依赖海量计算和…
-
中国研究人员主导 RSS 2026 机器人会议的各个环节
第22届机器人学习会议（RSS 2026）在澳大利亚悉尼拉开帷幕，中国研究人员表现强劲。首日会议聚焦于操作和世界模型方面的口头报告，突出了机器人在数据效率、触觉感知和内存增强系统方面的进展。值得注意的是，这些会议上展示的论文中有相当一部分作者是中国人，这凸显了中国在具身智能和机器人领域研究日益增长的影响力。
-
OpenDriveLab的陈立提出可组合世界模型以实现更安全的AI策略
在RSS 2026上，OpenDriveLab的陈立提出了一种可组合世界模型方法，将具身AI策略的预测和评估组件分开。这种解耦旨在通过允许AI在真实世界执行前，在受控环境中“想象犯错”来提高安全性和可检查性。该工作涵盖了四个渐进式系统：用于可靠仿真的ReSim，用于操作任务的Generation-then-Revise，用于自动驾驶训练后部署的World Engine，以及通过想象进行机器人强化学习的RISE。
-
西北大学推出“隐形”旋转无人机
西北大学的研究人员开发出一种名为Phantom Twist的无人机，这种无人机几乎对人眼不可见。通过以15-25赫兹的高频旋转，无人机利用视觉暂留效应，使其看起来像一个模糊的影像，而不是一个清晰的物体。这种设计经过计算优化，以实现低可见性，这一过程对于人类来说很难手动完成，因为在平衡飞行稳定性和视觉外观方面存在复杂的权衡。
-
人形机器人模型Ψ₀在有限的真实世界数据上有效训练
南加州大学PSI实验室的研究人员开发了一种新的人形机器人基础模型Ψ₀，该模型专注于优化有限的真实世界机器人数据的使用。Ψ₀不依赖海量数据集，而是采用三阶段训练过程：首先，它从人类视频数据中学习通用能力；然后，使用少量真实世界机器人数据对机器人进行控制微调；最后，通过更专业的数据适应特定任务。这种方法旨在通过改进训练方法来克服机器人领域的“数据瓶颈”，尽管使用的机器人操作数据远少于当前基准，但在真实的长期任务中取得了显著成功。
-
机器人学者李宏洋荣获RSS奖，聚焦智能人形机器人
香港大学助理教授李宏洋成为首位获得机器人领域享有盛誉的RSS早期职业聚光灯奖的中国学者。他的研究领域广泛，从自动驾驶（代表作包括BEVFormer和UniAD）到具身智能，再到新兴的全身智能（Whole-body Intelligence, WBI）概念。李宏洋计划将重心转向创业，致力于打造领先的具身AI系统，并认为智能人形机器人将是下一个由WBI驱动的主要物理终端。
-
具身智能在 RSS 2026 上成为焦点，中国企业日益突出
第 22 届悉尼机器人：科学与系统 (RSS 2026) 会议将重点关注具身智能，设有专门针对视觉语言模型 (VLA)、人形机器人和世界模型 (World Models) 的独立会议，表明研究方向的收敛。中国企业正扮演着日益重要的角色，从赞助商转向硬件生态系统，尽管文章承认美国和澳大利亚机构在基础研究方面仍占主导地位。关键讨论将围绕具身智能中的“数据贫乏、模型丰富”的争论，以及从单臂操作转向更复杂灵巧操作的转变。
-
机器人通过新的人工智能技术以最少的数据学习复杂任务 · 跟踪 9 个来源
研究人员正在开发新的方法，使机器人能够以显著减少的数据量学习复杂的操作任务。创新包括从单一人类演示中合成多样化的训练数据，在没有配对示例的情况下对人类和机器人之间的触觉数据进行对齐，以及使模型适应水下或手术环境等具有挑战性的环境。这些进步旨在使机器人更具适应性，并能够以最少的先验指令执行精细任务。
-
世界模型因运动学想象缺陷而在长视界任务中失败
研究人员发现世界模型在长视界任务中失败的一个关键原因：它们倾向于进行运动学想象，而不是动力学想象。这一区别至关重要，因为虽然运动学想象可能保持一致，但在物理条件发生变化（例如跨越摩擦边界）时，它可能导致策略奖励崩溃。该研究提出了一种新的诊断方法，即想象的运动学一致性误差（iKCE），来衡量这种现象。在 DreamerV3 检查点上进行测试时，尽管奖励显著下降，但该模型仍表现出平坦的 iKCE，表明其未能根据变化的物理现实动态调整其预测。
-
千寻智能Legato实现流畅机器人运动 · 跟踪1个来源
千寻智能高阳团队的研究人员开发了Legato，一种新颖的视觉-语言-动作（VLA）模型训练方法，使机器人能够以自然、流畅的过渡执行动作。与以往在推理过程中修补连续性的方法不同，Legato将连续性直接整合到训练过程中。这是通过一种噪声-实值混合机制和逐步去噪过程实现的，该过程确保了训练和推理之间的一致性，从而实现更流畅、更高效的机器人运动。
-
清华大学发布GS-Playground，实现高效具身AI仿真
清华大学AIR DISCOVER Lab的研究人员开发并开源了GS-Playground，这是一个旨在克服视觉中心具身AI训练瓶颈的新型仿真框架。该框架集成了高吞吐并行物理仿真和高保真渲染，能够为机器人提供更快、更准确的训练。关键创新包括自主研发的并行物理引擎和内存高效的批量3DGS渲染技术，显著提高了性能并降低了资源需求。这使得仿真到现实的无缝迁移成为可能，在GS-Playground中训练的策略在物理机器人上无需微调即可实现高成功率。
-
Galbot发布LDA-1B世界动作模型并开源框架
Galbot，一家中国领先的具身智能公司，估值超过28亿美元，已推出LDA-1B，一个拥有16亿参数、专为世界动作学习设计的模型。该模型在训练数据从5000小时增加到30000小时时表现出规模效应。Galbot已开源该框架，相关研究已被RSS 2026录用。