IROS 2026 大奖揭晓：LT-Mem 长期记忆研究获最佳论文，人形机器人打网球、端托盘获奖
IROS 2026 最佳论文奖颁给 LT-Mem，这项研究用 Live Memory、Delta Memory 和 Meta Memory 三层结构让机器人实现长期场景理解，应对时间性遗忘。
#VLA模型
雷锋网AI 评分5050 arXiv cs.RO 基于 VLM 的农业机器人上下文感知自适应农药喷洒框架
研究提出基于 Vision-Language Models（VLMs）的上下文感知自适应喷洒框架，让机器人结合作物类型、农药类型与天气数据进行空间推理，自适应优化喷洒决策，并采用 MPPI 控制器实现精准导航与定点喷洒。
arXiv cs.RO CAP：面向Token化机器人策略的码本对齐预测
针对现有Token化机器人策略将离散Token视为无关类别索引、丢弃分词器潜在码本结构的问题，研究者提出码本对齐预测（CAP），直接复用分词器的码向量作为策略类别原型，分词器与策略主干保持不变。
arXiv cs.RO CIRRA：面向具身机器人交互式家务任务的双层持续指令协调框架
CIRRA 是一个结合 LLM 语义推理与规则约束结构整合的双层框架，用于让机器人在执行任务中持续协调新指令，避免重新生成或大幅修改剩余任务序列。团队同时提出 CHIRP 基准，覆盖 8 类家庭环境和 6 类日常活动共 120 个回合，CIRRA 决策一致率达 74.2%，超出最强重规划基线 30 个百分点。
arXiv cs.RO Robo-COP：让机器人编排器与策略在部署中共同进化
Robo-COP 让 VLM 编排器与 VLA 策略在部署中共同进化，通过从自身执行中筛选技能演示、在数据能解决反复出现的失败时微调策略，并仅在新策略提升对应技能后才采纳。在十个 RoboLab 仿真任务上，平均留出成功率从冻结策略的 64.8% 提升至 73.8%，而固定计划微调无验证仅达 65.8%；在三个真实任务上从 38.3% 提升至 50.0%。
arXiv cs.RO 超越重建：机器人策略的动作 Tokenization 什么最重要？ProAct 提出可预测且鲁棒的动作分词方法
ProAct 是一种策略无关的动作分词器训练方法，通过策略性增强重建目标来提升下游可预测性与鲁棒性，仅用动作数据集训练。在 Robomimic、LIBERO 和 RoboTwin 基准及多种分词器架构上，ProAct 将 rollout 成功率平均提升 11.3 个百分点；在 VLA 策略和真实机器人操作中分别平均提升 21.8 和 36.7 个百分点。