连续入选ICRA最佳论文 RoboScience突破具身智能泛化瓶颈

在具身智能领域最难攻克的“泛化”难题上，又有团队拿出了实质性成果。而且，他们不仅发表了顶会论文，还将这两项技术沉淀到了自研的 VLOA 大模型中，推动机器人向真实世界应用迈出了坚实的一步。

ICRA 的连续高光：从获奖到再度入围

今年6月初，机器人领域顶级会议 ICRA 2026 在维也纳召开。RoboScience 机器科学首席科学家、新加坡国立大学的邵林教授及其团队，凭借一篇关于双臂操作的最新论文，直接入围了机器人操作方向的最佳论文奖提名。值得一提的是，同期获得提名的还包括伯克利、斯坦福、MIT、清华等全球顶尖团队。

但这并非邵林团队首次在 ICRA 上大放异彩。去年，他们凭借一个名为 D(R,O) Grasp 的通用灵巧抓取框架，从四千多篇投稿中脱颖而出，拿下了同一方向的最佳论文奖。这也是近五年来，亚洲机构作为第一单位首次斩获该奖项。

更令人瞩目的是，今年的 ICRA 2026 上，邵林团队共被录用10篇论文，研究方向覆盖灵巧抓取、社交导航、低成本力感知和混合任务规划。这几乎涵盖了具身智能核心技术的全部关键线路，展现了团队全面的研究实力。

从去年的冠军到今年的再度提名，邵林团队也成为近五年来亚洲唯一一个连续两年在该方向获得奖项认可的团队。这份成绩单不仅体现了团队的创新能力，也充分展示了中国具身智能企业在国际顶级学术舞台上的技术竞争力。

但坦白说，相比拿奖本身，这两篇论文背后共同指向的核心问题更值得深入探讨——那就是所有试图走向真实世界的机器人都必须跨越的门槛——泛化操作能力。

破局双臂操作的泛化难题：Bi-Adapt

机器人的双臂操作远比单臂抓取复杂。两只手不仅要各自找到合适的接触点和运动方向，还必须学会相互协调。传统方法要么针对不同物体手动设计动作，要么依赖海量数据训练。前者难以应对真实世界中千变万化的物体形态，后者则成本高昂、周期漫长且耗费大量人力。

Bi-Adapt 的突破之处在于：它能让机器人将学到的双臂操作经验直接迁移到一个从未见过的新物体上。只需几次试错调整，就能在仿真和真实环境中都保持很高的成功率。

Bi-Adapt，一种用于高效学习通用双臂操作的新型框架。

仿真测试结果令人印象深刻：Bi-Adapt 在五类全新的双臂操作任务上，成功率达到了59%到70%，大幅超越各种经典基线方法，例如启发式规则、M-Where2Act、DualAfford 等。

在真实机器人测试中，它也成功完成了展开、打开、取盖等任务。这表明跨类别的操作能力从仿真迁移到真实环境，是一条可行的技术路径。

真实机器人验证。

简而言之，Bi-Adapt 将跨类别双臂操作简化为“三步曲”：先精确定位操作“位置”，再学会双手的“协同配合”，最后通过少量试错进行“微调”。

Bi-Adapt pipeline 主要包括动作学习、可供性迁移、少样本适配和最终执行四个阶段。

第一步，是在已知物体上建立“操作经验库”。系统会记录成功操作时两个夹爪分别接触的位置、运动方向以及它们之间的协同发力模式。

这里有一个关键设计：Bi-Adapt 没有将两只手视为独立的执行器，而是将双臂动作拆解为相互依赖的两个模块。训练时的数据流是逆向进行的：先训练第二只夹爪，在已知第一只手动作的条件下如何最佳配合；再训练第一只夹爪，学会提出更有利于整体协作的动作。本质上，就是让第一只手学会为第二只手创造更优的配合条件。

第二步，是利用视觉基础模型进行“跨类别语义对应”。机器人在没有见过“钳子”的情况下，如果它已学会操作“剪刀”，就会借助一个叫 DIFT 的模型，在剪刀上成功的接触点与钳子的各个像素之间，寻找视觉上最相似的区域。

第三步，是少量试错适应。视觉上的相似并不保证物理上可操作。机器人会拿着这些候选接触点尝试几次，如果失败，则根据反馈微调模型，过滤错误接触点并修正夹爪的运动方向。

最终，一个能够操作全新类别物体的策略就得以生成。

从“怎么操作”到“谁来操作”：D(R,O) Grasp 的泛化视角

如果说 Bi-Adapt 解决的是“不同物体怎么操作”，那么去年获奖的 D(R,O) Grasp 则解决了另一个泛化挑战：不同灵巧手之间如何共享同一套抓取能力？

它的核心思路是将机器人的手和物体都表示为点云，然后学习它们在稳定抓取时应形成的空间距离关系。这样一来，一个AI模型就能直接支持 LeapHand、Shadow Lite、XHand、SoftHand 等各类灵巧手——无论是3指、4指还是5指，软体还是硬质结构，都能完成复杂的抓取操作。

这两项顶会级工作放在一起，清晰地勾勒出了邵林团队近两年的技术主线：机器人的操作能力不应绑定在特定硬件、特定物体或特定场景上，而应逐步沉淀为一种可复用、可迁移的通用能力。

把顶会神技“接”进通用大脑：VLOA 大模型

邵林此前曾指出，具身智能的大模型不能直接照搬CV或NLP领域“大算力堆数据”的经验。图像和文本的数据格式相对统一，但机器人操作面临任务、物体和本体的三重多样性。缺乏统一的数据格式，导致这些数据难以共同训练，模型也无法形成真正可迁移的能力。这也是当前流行的VLA路线面临的核心瓶颈。

RoboScience 机器科学提出的 VLOA 路线正是为了解决这一瓶颈。VLOA 的关键在于“视觉”与“动作”之间引入了“物体”环节，即以物体为中心的状态变化表示。无论拿起杯子、打开盒盖，还是插入零件，这些动作最终都能被描述为物体在三维空间中的位置、姿态和形态变化。而 Object Trajectory（物体3D连续点云轨迹）正是这种变化的统一表达。

基于这一理念，邵林团队搭建了“具身世界模型 + 通用操作模型”的双引擎架构，目标是指导“任何机器人去操作任何物体、完成任何任务”。

RoboScience 机器科学提出的 VLOA 框架，一个双引擎架构。

在该架构中，上层的具身世界模型负责理解任务语义，预演物体在三维空间中的状态变化。它主要从互联网视频、说明书、多模态数据中学习常识。下层的通用操作模型则负责将状态变化转化为具体机器人的动作指令。它学习物理规律、接触、力、约束和控制，可通过自研物理引擎和仿真数据大规模训练。连接它们的关键正是 Object Trajectory 这一接口。

这套框架的能力已在真实任务中得到验证。去年5月，RoboScience 基于 VLOA 大模型，完成了一项全球范围内复杂度、精度和步骤数都极高的具身操作任务——拼家具。

邵林（左）和田野（右）

这个创始团队的组合非常互补：一边是邵林，掌握机器人操作、灵巧手、跨本体抓取等方向的前沿学术积累；另一边是田野，负责大规模AI基础设施和工程系统的落地经验。

邵林是斯坦福博士，长期深耕机器人操作。值得一提的是，他与 Hillbot 的苏昊、银河通用的王鹤、穹彻智能的卢策吾同属斯坦福机器人与AI学术谱系，其中几位还是师兄弟关系。田野毕业于中科大物理系，斯坦福AI Lab硕士，师从吴恩达，随后在苹果担任AI Platform技术负责人。

目前，RoboScience 已在机器人本体、末端执行器、多模态物理仿真等关键环节实现全栈布局，走的是软硬一体化的路线。

自研的高精度通用物理仿真平台 「RoboMirage」

在资本与产业层面，RoboScience 已获得京东、商汤、达晨财智、招商局创投等多家CVC和财务机构的支持，并在北京、深圳、苏州、杭州设有研发和生产中心。团队成员来自斯坦福、中科大、新加坡国立大学等顶尖高校，以及苹果、字节、腾讯、大疆等头部科技企业。

产业化方面，他们已与多家零售、物流、康养服务企业，以及机器人本体和灵巧手公司开展试点合作，并计划在今年实现面向工业与商业场景的标准化机器人本体产品量产。

随着机器人加速进入零售、物流、工业、家庭等真实场景，真正的竞争将从单点演示转向通用操作能力、数据闭环和系统工程能力。在这个行业的重要拐点上，从顶会论文到工程系统，从泛化算法到真实机器人生产力，RoboScience 正试图打通具身智能从“学术顶尖”走向“规模化落地”的最关键一跳。在这条通往物理世界的万亿赛道上，他们不仅是在探索机器的边界，更是在加速未来的到来。

参考资料

https://nus-lins-lab.github.io/drograspweb/static/data/D(R,O)Grasp.pdf

https://arxiv.org/pdf/2602.08425

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：连续入选ICRA最佳论文 RoboScience突破具身智能泛化瓶颈要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题