蚂蚁灵波LingBot-VA论文入选RSS 2026 实现机器人推演与行动同步

近日，机器人学界迎来一项重要进展：蚂蚁灵波科技联合香港科技大学等高校共同完成的研究论文《Causal World Modeling for Robot Control》，正式被国际机器人顶级学术会议Robotics: Science and Systems（RSS）2026接收。

RSS在全球机器人研究领域享有极高声誉，长期聚焦于机器人学习、控制与感知等前沿方向，其录用标准极为严格。此次论文成功入选，不仅彰显了研究工作的学术创新性，也标志着该成果获得了国际同行的高度认可。

这项研究致力于解决一个核心挑战：如何让机器人超越简单的动作执行，具备类似人类的预判能力，在行动前就能推断环境变化。为此，研究团队提出了一个面向机器人控制的因果世界建模框架，并在此基础上构建了全球首个开源的自回归视频-动作世界模型——LingBot-VA。该模型的突破性在于，它使机器人能够在任务执行过程中，持续预测环境状态的演变，并基于预测结果生成后续动作指令，从而实现“观察-判断-行动”一体化的类人智能。

对蚂蚁灵波而言，此次论文入选RSS 2026，是对其在“世界模型驱动机器人控制”这一技术路线上探索的重要肯定。它进一步验证了LingBot-VA作为具身智能基础模型的技术潜力。从长远看，这一技术路径有望推动机器人从依赖精确编程的“执行器”，向具备环境理解、任务泛化与自主决策能力的“智能体”演进。

机器人技术面临的真正难点，往往不在于“如何动作”，而在于理解“动作引发的后果”。例如，拿起杯子后桌面会空出位置，推开抽屉后内部物品的布局会改变。LingBot-VA的核心创新，正是将这种对未来状态的因果预测能力嵌入了控制闭环。它让机器人学会先“模拟推演”世界接下来会如何变化，再依据这个推演结果来决定当前的最佳行动策略。

这也正是论文强调“因果”建模的意义所在。真实世界的变化遵循严格的时间顺序与因果关系，因此机器人的预测也必须沿着时间线逐步向前推演。LingBot-VA将这种因果约束固化在模型架构中，确保每一步预测都严格依赖于先前的观察与动作，从而生成连贯、可靠的因果轨迹。这种设计不仅提升了预测的准确性，也赋予了模型更强的长期记忆与推理能力，对于完成步骤复杂、耗时较长的实际任务至关重要。

在技术实现上，LingBot-VA采用了混合专家Transformer架构，巧妙地将视频预测与动作生成统一在一个自回归扩散框架内。此外，模型引入了闭环推演机制，能够在任务执行中持续接收真实环境的反馈，从而有效降低长时序预测中的误差累积。

为全面评估LingBot-VA的性能，研究团队在仿真基准与真实机器人任务上进行了系统测试。在RoboTwin 2.0的50个双臂操作任务中，LingBot-VA在Easy和Hard两种设置下，分别取得了92.0%和91.1%的平均成功率；在LIBERO基准上的成功率更是达到98.5%。

在更具挑战的真实世界评测中，面对长时序、高精度操作以及柔性物体与关节物体操控三大类共6项高难度任务，LingBot-VA仅需50条真实示范数据即可完成适配。其整体成功率较业界主流基线方法π0.5提升了超过20个百分点，展现出卓越的数据效率与泛化性能。

目前，LingBot-VA的模型权重、训练与推理代码均已开源。研究人员与开发者可通过Model Scope、Hugging Face及GitHub平台获取相关资源。

论文链接：https://arxiv.org/abs/2601.21998

项目主页：https://technology.robbyant.com/lingbot-va