Gairdao Community

六位顶尖学者、三大挑战赛道——IROS 2026 Physical World Models Workshop征稿

......

Guangwei.mai 2026-07-29

2026年10月1日，IROS 2026 Workshop——Physical World Models for Scaling Embodied AI将在美国匹兹堡举行。论文征集现已开放，8月10日截止；WorldArena 2.0 Challenge三大赛道已于7月10日开赛，总奖金$7500。

具身智能撞上“数据墙”

过去几年，大语言模型吃下了互联网级的文本，视觉基础模型吃下了数十亿量级的图像与视频。每一次能力跃迁的背后，都是一次数据规模的跃迁。

但轮到具身智能（Embodied AI），这条路突然变窄了。机器人学习需要的不是静态的文本和图片，而是带动作、带反馈、带物理后果的交互经验——这样的数据，互联网上没有。

现有的三条获取路径，各有各的天花板。真机遥操作数据最真实，但一条一条采，贵、慢，永远覆盖不了长尾场景。传统仿真器可以无限生成，却受限于场景真实感与sim-to-real gap，策略换到真实世界常常失灵。互联网视频数量庞大，却只有观测、没有动作标签，更没有物理反馈，无法直接用于策略学习。

换句话说，具身智能缺的不是“更多数据”，而是一种能把物理经验规模化生产、组织和复用的基础设施。

生成得好看，不等于用得上

世界模型（World Models）被寄予厚望：它学习环境状态如何随动作演化，能“想象”出机器人执行动作后的未来。视频生成模型的飞速进步，更让人觉得世界模型离真正“能干活”只有一步之遥。

但WorldArena 2.0基准的一组实验显示，这一步远比想象中大。

在视触觉操作评测中，Wan2.2的触觉预测质量全场最优（PSNR 21.26/SSIM 0.746），也确实在HDMI插入任务上拿到100%成功率；可换到同样需要预测接触和受力的瓶体抬升任务，同一个模型的成功率直接归零——而没有任何预测能力的ACT基线，反而做到了80%。

感知指标再漂亮，也不保证任务能力可靠地泛化。生成得好看，不等于用得上。

这个gap不是给世界模型判死刑——恰恰相反，它把真正的问题摆上了台面：如何让世界模型从“视频生成器”，变成能稳定支撑真实机器人任务的经验引擎和决策引擎。这正是本次Workshop要讨论的主题。

两大方向：造经验，然后用经验

Direction I·从视频生成到经验引擎

第一个方向回答”经验从哪里来”——如何把人类经验和机器人经验，变成可规模化使用的数据资源。欢迎但不限于以下研究：

Direction II·从预测未来到利用未来行动

第二个方向回答”经验如何变成动作”——World Action Models*（WAM，世界动作模型）*把未来预测与动作生成放进同一个模型。欢迎但不限于以下研究：

两个方向合起来，是一条完整的生产链：Direction I造经验，Direction II用经验。以“让机器人插好一根HDMI线”为例：从人类视频学习接触先验，用Real2Sim2Real搭建训练场，用视触觉WAM预测滑移并实时纠错，执行前用rollout评估风险——这恰好也是WorldArena 2.0 Challenge的真实赛题。

14个具体研究方向的完整列表，见Workshop官网。

Call for Papers：距截止不足三周

本次Workshop为非存档（non-archival）：录用论文不进入IROS proceedings，不影响后续投稿其他会议或期刊。

六位讲者，一条链路

六位invited speakers恰好覆盖了从“造经验”到“用经验”的完整链路：Jiajun Wu（Stanford）研究物理场景的结构化理解；Katerina Fragkiadaki（CMU）深耕几何感知的世界模型；Rudra P.K. Poudel（Toshiba Europe）将围绕世界模型与强化学习的鲁棒策略学习展开报告；Hongyang Li（HKU）主导了UniAD与AgiBot World；Abhinav Valada（Freiburg）专注开放世界机器人学习；Ding Zhao（CMU）研究安全可信的具身系统。

当天议程（10月1日，13：00–17：30）：13：00开场致辞（Haibao Yu）→三场keynote→14：40茶歇与海报展示→三场keynote→16：30Best Paper/Best Poster展示→16：50WorldArena 2.0 Challenge赛果发布与冠军团队分享→17：30结束。

WorldArena 2.0 Challenge：已开赛

WorldArena 2.0 Challenge已于7月10日开赛，8月30日提交截止。

它不是又一个视频生成比赛。三个赛道构成一条完整的评测链，分别回答三个递进的问题：

三个赛道各设一、二、三等奖，总奖金$7,000，各赛道一等奖团队将受邀在Workshop现场报告。时间线：7/10开赛（进行中）→8/3提交截止→9/15公布最终结果→10/1现场颁奖与分享。

组织团队

Workshop由来自CMU、Imperial College London、NTU、清华大学、MBZUAI、Stanford、HKU、UCLA等机构的研究者共同组织，覆盖computer vision、robotics、world models与embodied intelligence；八位Program Committee成员负责论文评审。

在匹兹堡，一起回答三个问题

今天的世界模型，仍有三件事做不好：长时序的力控稳定、可靠的多步状态转移、跨平台的sim-to-real。这三个开放问题，正是邀请你到匹兹堡的理由。