2026 年 7 月中旬，机器人领域顶级会议 RSS（Robotics: Science and Systems）如期举办。与“机器人操作”直接相关的十余场研讨会，集中释放了整个子方向的最新焦虑与破局思路——从模仿学习的数据质量危机，到触觉这一“最后感知版图”的攻坚，再到工业级可靠性的认证路径。雷峰网(公众号：雷峰网)逐一梳理十大核心 Workshop 的定位与主张，并进一步提炼出贯穿全场的几条深层主线，以及被集体热情掩盖的若干风险，试图勾勒出行业从“实验室炫技”走向“现实落地”的集体意志与真实坐标。

全景速览：十大核心 Workshop 一览

ID

主题

核心焦虑

关键主张

ID4

正是演示数据 (It's the Demos)

演示“质量”无统一定义

建立演示数据工程化度量与元数据标准

ID6

超越刚性 (Beyond Rigidity)

非刚体操作缺可解释性与鲁棒性

混合架构：可微分物理 + 学习策略

ID8

灵巧操作（第四届）

硬件非瓶颈，规模化学习难

第一人称视频 + 仿真到真迁移

ID11

全身控制与双臂操作

软件栈仍停留手工调参

RL + 凸优化融合的通用全身框架

ID16

具身智能邂逅基础模型

触觉 / 软体 / 基础模型平行发展

触觉—语言对齐补全物理直觉

ID23

面向基础模型的触觉

触觉在 FM 中地位暧昧

仿真触觉生成 + 少量真实微调

ID25

从模仿到认证

黑盒策略不可认证、不可预测

分层安全架构 + 形式化硬约束

ID28

RL4VLA

模仿学习固有缺陷（漂移 / 累积）

VLA 隐式表征作 RL 先验 + 真实校正

ID29

以人为中心的移动操作

自然人机交互是短板

将社会规范编码为约束（机器人礼仪）

ID30

实验室走向生产

学术与工业评价体系分裂

故障注入型基准 + 工业级评测

1. It's the demos: A Deep Look at the Role of Demonstration Quality in Imitation-Based Robot Manipulation (ID4)

中文名称：正是演示数据——深度探究演示质量在基于模仿的机器人操作中的作用

研讨会网址：https://its-the-demos.github.io/

背景与主旨：行为克隆、Diffusion Policy、基于 Transformer 的策略等模仿学习管线，已高度依赖遥操作采集的海量演示；但“高质量演示”至今缺乏统一定义——是指轨迹平滑度？任务成功率？还是分布多样性？该研讨会直面这一基础性缺失，试图打通前端采集决策与后端策略评估，为规模化产出可靠演示数据建立工程实践准则。

见解：当学界仍在追求“更大”的数据集时，这场研讨会释放了清晰信号：数据质量的结构化度量已迫在眉睫。一个可行的方向是“演示数据说明书”式的元数据标准——记录操作者熟练度、遥操作设备延迟、环境随机化程度、失败标注等维度。否则，模仿学习的可复现性将永远是空中楼阁。更深层地看，这反映出整个领域正从“收集数据”走向“设计数据系统”，即把数据当作需要被工程化产出的产品，而非自然堆积的样本。

2. Beyond rigidity – Deformable and Articulated Robotic Object Manipulation (ID6)

中文名称：超越刚性——可变形与铰接式物体机器人操作研讨会

研讨会网址：https://rss2026-beyond-rigidity.github.io/

背景与主旨：衣物、线缆、抽屉、门——这些日常物体仍是机器人进入家庭和物流的“最后一厘米”障碍。当前端到端学习与模块化规划两条路线争执不下：前者灵活但缺乏可解释性，后者可靠但难以覆盖复杂拓扑变化。本研讨会旨在促成两派对话，提炼非刚性操作的共性表征与评估基准。

见解：刚性操作的成功，某种程度上是“几何学”的胜利——可解析的位姿、可建模的接触、确定的动力学。而非刚体（布料、线缆、流体、铰接件）要求机器人具备“物理直觉”，即对材料属性、力传播、接触状态演化的隐性理解。从长远看，混合架构（可微分物理引擎 + 学习策略）可能比纯数据驱动路线更接近真实世界的鲁棒性需求：物理引擎提供可解释的结构先验，学习策略负责弥合模型误差。这也意味着，运动规划社区与学习社区的“门派之争”将逐渐让位于“软硬结合”的协同范式。

3. 4th Workshop on Dexterous Manipulation: Scalable Learning for Human-Level Skills (ID8)

中文名称：第四届灵巧操作研讨会——面向人类级技能的可扩展学习

研讨会网址：https://dex-manipulation.github.io/rss2026/

背景与主旨：灵巧手硬件已不再是瓶颈（从商用多指手到低成本欠驱动设计），行业痛点转移至“如何规模化学习”——如何利用互联网视频、仿真到真零样本迁移，以及通用操作基础模型，让机器人像人类一样“看过就会”。

见解：灵巧操作正在从“硬件竞赛”转向“数据—算法—仿真管线”的系统工程。一个值得关注的趋势是第一人称视觉（ego-centric）视频的大规模利用——人类手部操作视频天然蕴含丰富的接触语义与技能层级。若能突破视角对齐、动作为单位的分割、以及跨具身（human-to-robot）映射等难题，灵巧策略的泛化将迎来质变。这背后是一个更大的命题：机器人的“学徒期”能否像人类一样，通过观看而非仅通过试错来完成？

4. Whole-body Control and Bimanual Manipulation: Applications in Humanoids and Beyond (ID11)

中文名称：全身控制与双臂操作研讨会——人形机器人及更多场景下的应用

研讨会网址：https://wcbm-workshop.github.io/rss2026/

背景与主旨：人形机器人硬件（驱动器、自由度、算力）飞速迭代，但软件栈仍停留于“针对单一任务手工调参”阶段。本研讨会聚焦如何构建通用的全身控制框架，使双臂协调、平衡、移动操作能够协同优化，而非割裂设计。

见解：全身控制的本质是高维约束下的实时优化问题，而学习方法的介入正在改写传统 WBC（Whole-Body Control）的范式。我们或许将见证“强化学习 + 凸优化”融合方案成为主流——前者负责高层任务规划与策略探索，后者负责底层动力学安全边界。值得注意的是，这一架构与自动驾驶的“端到端学习 + 规则兜底”有异曲同工之妙，说明具身智能与自动驾驶在“如何平衡学习与安全”上，正在收敛到相似的工程哲学。

5. Embodied Intelligence Meets Foundation Models: Tactile Sensing and Soft Manipulation (ID16)

中文名称：具身智能邂逅基础模型——触觉感知与柔性操作研讨会

研讨会网址：https://sites.google.com/openmind.org/intelligence-in-manipulation/home

背景与主旨：自适应操作的三条技术路径——仿生软体形态、多模态触觉传感、大规模基础模型——长期平行发展，交叉甚少。本研讨会试图搭建桥梁，探索如何将触觉时序信号与视觉—语言基础模型对齐，使机器人获得物理交互层面的“直觉”。

见解：触觉是基础模型尚未征服的“最后一块感知版图”，因为触觉信号是高频率、局部、力交互性的，与视觉 / 语言的语义空间差异巨大。可行的切入点是构建“触觉—语言”对比学习任务，让模型学会描述“软硬”“滑动”“卡住”等力觉概念，从而补全具身推理的物理缺失。这里的关键洞见是：多模态对齐不应止步于“看—说”，而必须延伸到“碰—说”——只有让模型用语言锚定力觉概念，物理交互经验才能被压缩进可迁移的表征。

6. Tactile Sensing for Robotic Foundation Models (ID23)

中文名称：面向机器人基础模型的触觉感知研讨会

研讨会网址：https://tac-for-fm.github.io/rss2026/

背景与主旨：产业界正全力采集海量多模态数据以训练通用机器人基础模型，但触觉感知在其中地位暧昧——是否需要触觉？需要何种分辨率？如何与视觉、本体感觉同步？该研讨会聚焦触觉全栈（硬件、集成、表征、融合），探究触觉如何从“锦上添花”变为“规模可扩展”的必备模态。

见解：触觉基础模型面临“鸡与蛋”困局——没有大规模触觉数据，模型训练无从谈起；而没有通用模型，数据采集又缺乏明确的下游价值。破局点或在于“仿真触觉生成”（基于物理引擎的力反馈模拟）配合少量真实数据微调，从而突破数据规模瓶颈。但这条路的风险在于：仿真触觉与真实触觉的“域差”可能比视觉 Sim2Real 更难弥合，因为力的感知高度依赖材料微观特性——这是本届会议反复出现、却少有标准答案的核心难题。

7. From Imitation to Certification: Learning, Reasoning, and Formal Methods for Safe Robot Manipulation (ID25)

中文名称：从模仿到认证——面向安全机器人操作的学习、推理与形式化方法研讨会

研讨会网址：https://sites.google.com/nyu.edu/imitation2certification-wsrss2/home

背景与主旨：大模型和示教学习赋予了操作策略惊人的泛化性，但也继承了示教数据中的偏见与不安全行为，在与人共存的动态场景中尤甚。本研讨会推动跨学科协作，探讨如何将形式化验证、安全屏障函数与学习策略相结合，构建“可认证”的机器人操作系统。

见解：这是整届会议中最具“从论文到产品”张力的议题。工业界无法接受“黑盒策略”的不可预测故障，而学术界却痴迷于泛化边界探索。折中方案或许是分层安全架构——高层策略自由探索，低层控制器用形式化方法施加硬约束（如屏障函数、可达集约束），既保留学习灵活性，又提供安全兜底。值得强调的是，认证不只是技术问题，更是标准与监管问题：没有第三方可执行的测试协议，“可认证”就只能停留在口号。

8. Reinforcement Learning for Vision-Language-Action Models (RL4VLA) (ID28)

中文名称：面向视觉—语言—动作模型的强化学习（RL4VLA）研讨会

研讨会网址：https://sites.google.com/view/rl4vla-workshop/home

背景与主旨：VLA 模型凭借模仿学习获得了开放词汇指令跟随能力，但模仿学习的固有缺陷（协变量偏移、误差累积、无失败恢复）使其在开放世界中难堪大用。强化学习理论上可弥补这些短板，但样本效率、奖励设计、灾难性遗忘等问题阻碍落地。本研讨会旨在探索 RL 微调 VLA 的有效方法论。

见解：RL4VLA 本质是在“利用先验知识”与“在线试错”之间寻找平衡。近期进展显示，将 VLA 的隐式表征作为 RL 的策略先验（如用作状态表示或奖励函数），再通过少量真实环境交互进行校正，是一条高潜力路径。但必须警惕——若奖励函数设计不当，RL 反而可能“洗掉”VLA 来之不易的泛化能力，把模型训练成只会在特定奖励下“投机”的策略。一个尚未被充分讨论的问题是：RL 微调是否会损害 VLA 的指令跟随能力？这需要在评测中专门设计“泛化保留率”指标。

9. Human-centric Mobile Manipulation Workshop (ID29)

中文名称：以人为中心的移动操作研讨会

研讨会网址：https://adacompnus.github.io/human-centric-mobile-manipulation/

背景与主旨：移动操作机器人正在走出实验室，进入家庭、医院、养老院等人类共处环境。但建立自然的人机交互（理解人类意图、预判动作）、规划兼顾人类舒适度与安全的感知—运动行为，仍是关键短板。

见解：以人为中心的操作，本质上要将“社会规范”编码为约束条件——绕过人类时不惊吓对方、递物时保持舒适距离、动作速度适配人类反应时间。这远超出传统运动规划范畴，需引入认知科学和人因工程的度量。未来可能会诞生“机器人礼仪”这一交叉子领域，而它恰恰是机器人从“工具”变为“协作者”必须跨越的门槛——技术达标但让人“不舒服”的机器人，在真实部署中同样会被拒绝。

10. Lab-to-Production Workshop: Toward Industrial-Grade Perception and Manipulation (ID30)

中文名称：从实验室走向生产——面向工业级感知与操作研讨会

研讨会网址：https://robotics-workshop.github.io/l2p-rss26/

背景与主旨：学术界追求通用性与适应性，工业界却要求精度、重复性、可靠性和 MTBF（平均故障间隔时间）。二者评价体系的分裂导致大量论文成果“飘在云端”。本研讨会聚焦如何调整科研方法论、基准测试和硬件设计，使其真正适配工厂产线的严苛约束。

见解：工业落地最被低估的难题不是算法，而是“异常处理”——零件公差、光线变化、临时遮挡等边缘情况在实验室中被刻意避免，却在产线上每天发生。因此，面向生产的操作研究应优先构建“故障注入型基准”，系统性测试算法对非理想条件的鲁棒性，而非仅报告标准数据集上的成功率。更深一层：学术界与工业界的评价鸿沟，不是靠更好的算法填补，而是靠“共同基准 + 共同失败定义”来弥合——当双方用同一把尺子量失败时，论文成果才能真正流向下游。

其他关联 Workshop 速览（ID 12 / 13 / 15 / 18 / 22 / 24 / 32）

•  ID12：机器人数据（数据策管、生命周期、版权与隐私）——与 ID4 共同指向“数据系统”命题。

•  ID13：Sim2Real（虚实迁移，尤其关注动力学差异的闭环校正）——非刚体与触觉域差的关键支撑。

•  ID15：具身智能实践教程（偏向教育性，但折射出社区对标准化工具链的强烈需求）。

•  ID18：世界模型（作为操作规划的内部仿真器，正从“酷炫概念”走向“可训练的物理先验”）。

•  ID22：Embodied4Arts（创意领域的具身操作，探索非功利性交互，反哺通用操作的可变性认知）。

•  ID24：扩散策略（扩散模型在轨迹生成中的最新进展，正成为行为克隆的新范式）。

•  ID32：失败恢复（从“避免失败”转向“优雅应对失败”，标志着操作系统的成熟度提升）。

纵观本届 RSS 操作相关 Workshop，一条清晰的进化路径浮现出来：

底座技术统一化：基础模型与世界模型不再仅作为“加持”，而成为操作系统的默认底层设施，如同今日视觉任务中的预训练骨干网。

场景从封闭走向开放：研究不再满足于桌面上的刚性物体拾放，而是直面家庭、医院、产线中的非结构化、动态、与人交互的真实物理世界——这要求系统具备在线感知—决策闭环和持续学习能力。

热点迁移至复杂对象与肢体：触觉、可变形物体、双臂人形成为三大前沿阵地，它们共同挑战的是机器人对物理因果的理解，而不仅仅是几何匹配。

数据策略的“质量觉醒”：行业已清醒认识到，单纯堆砌数据量并非万能，如何定义、度量并工程化地产出“高质量小样本”数据，正成为新的核心竞争力——这与大模型领域“数据清洗比模型设计更重要”的认知同频共振。

安全、可靠、可认证——从辅助到刚需：当机器人真正介入人类生活与生产，安全不再是论文中的一节“讨论”，而是决定技术能否规模商用的生死线。形式化方法、故障恢复、工业级评测正从边缘议题走向舞台中央。

若把十场研讨会视为十个切片，真正值得记录的并非单个技术点，而是它们共同指向的三条底层主线。读懂这三条暗线，也就读懂了 2026 年机器人操作研究的“集体潜意识”。

暗线一：从“数据集”到“数据系统”——数据工程化成为新护城河

ID4 与 ID12 的呼应最直白：当数据量不再稀缺，“如何定义与度量质量”就成了新瓶颈。这标志着领域重心从“采集”转向“设计”——数据将被当作需要被工程化产出的产品，而非自然堆积的样本。未来真正的壁垒，可能不是某个模型结构，而是一套可持续产出的数据流水线（采集—标注—质检—版本化）。

暗线二：从“感知—动作”到“物理因果”——理解力升级

ID6、ID16、ID23 不约而同地触碰到同一命题：机器人缺的不是“看得见的几何”，而是“摸得着的因果”。触觉、力觉、材料属性，这些无法仅从视觉推出的信息，正成为补齐“物理直觉”的关键。谁先让模型建立“软硬 / 滑动 / 卡住”的力觉语义，谁就掌握了开放世界操作的真正钥匙。

暗线三：从“论文指标”到“工程认证”——价值交付的硬约束

ID25、ID30、ID32 共同把“可靠”推到台前。成功率之外，MTBF、故障恢复率、认证通过率将逐步成为新的硬指标。这意味着机器人操作正在经历一场“身份转变”：从可被欣赏的研究成果，变为可被采购的工程系统。

在“可靠进化”的乐观叙事之外，有三处风险值得在立项与投资决策中保持清醒。它们未必会阻止进展，但极可能拉长兑现周期。

风险一：“基础模型万能论”的伪通用陷阱

把一切寄托于“更大模型 + 更多数据”存在隐性风险。操作任务包含大量难以被语言/视频表征的力觉与接触常识，纯数据驱动可能在新物体、新材质上系统性失效。基础模型是放大器，而非万能药——它需要物理先验与结构化约束的“脚手架”。

风险二：触觉与力觉数据的结构性短缺（鸡与蛋短期难解）

与视觉不同，触觉缺乏天然的大规模互联网语料，且仿真到真实的域差更大。ID23 提出的“仿真生成 + 少量真实微调”是方向，但材料微观特性带来的域差，可能使这一路径在 3—5 年内都难以稳定闭环。对触觉的依赖型路线，需做好“慢变量”的心理准备。

风险三：安全认证依赖标准与监管，技术无法单独兑现

ID25 的“可认证”目标，最终要落到第三方可执行的测试协议与法律责任框架上。在行业标准（如机器人安全 ISO/TS 规范）与保险机制完善之前，即便技术达标，规模化商用仍会被合规成本卡住。这是工程问题，更是制度问题。

给研究者

•  优先在“数据质量度量”“触觉—语言对齐”“失败恢复”等薄弱但高杠杆的环节选题。

•  评测中主动引入“泛化保留率”“非理想条件鲁棒性”等新指标，而非只报标准成功率。

•  与规划、控制、形式化方法社区主动交叉——门派之争正在让位于协同范式。

给创业者与投资人

•  警惕“又一个通用操作大模型”的故事，重点审视其数据飞轮是否真实可闭环。

•  关注“故障注入型基准”“工业级评测”等卖水人机会——它们是落地浪潮的刚需基础设施。

•  触觉硬件、可微分物理仿真、机器人礼仪等人因方向，尚处早期但壁垒高，适合长期布局。

给产业落地团队

•  以“共同失败定义”对齐学术合作方，避免论文指标与产线需求脱节。

•  尽早建立异常处理与故障注入测试体系，把 MTBF 当作产品核心 KPI。

•  分层安全架构（高层学习 + 底层硬约束）应作为与人共处场景的默认设计。

RSS 2026 的操作 Workshop 集合，向外界传递了明确的行业集体目标：让机器人从“能操作”走向“可靠地操作”，从“在受控环境演示”走向“在不确定现实中服务”，从“学术指标优化”走向“工程价值交付”。这场进化充满挑战，但也昭示着机器人操作正逐步褪去“前沿探索”的外衣，换上“系统工程”的铠甲——而真正的破局者，必将是那些能同时驾驭算法创新与工程严谨性的跨界团队。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。

原文链接: https://www.leiphone.com/category/private/dTxGMfk5VcknZvL0.html