近日，机器人学顶级学术会议 IROS 2026（IEEE/RSJ International Conference on Intelligent Robots and Systems）在美国匹兹堡举行。作为全球规模最大、最具影响力的机器人学术会议之一，本届 IROS 汇聚了7000余名机器人领域研究者与工程师，吸引170余家企业参与，共收录1900余篇研究论文，集中展示了全球机器人领域的前沿研究成果与最新技术进展。
零次方研发团队的四项研究成果在本届会议上集中亮相，四项研究分别围绕数据效率、接触控制、技能泛化与学习机制展开，从不同维度探索机器人从特定任务执行走向更广泛Physical Intelligence的技术路径。
走向通用物理智能过程中，难点不在于复现某一个预设动作，而在于面对持续变化的真实世界，仍然能够可靠地完成任务：如何从有限经验中学习，如何在接触过程中实时调整，如何将已有策略泛化到新的物理环境，以及如何从执行反馈中持续提升能力。
01
TDV
从一次人类演示中学习可泛化的机器人操作
传统机器人模仿学习依赖大量遥操作与示教数据，采集成本高，也难以充分覆盖物体位姿和场景变化。TDV 提出一种基于轨迹扩散的单样本学习框架，其核心创新在于：机器人不必直接模仿人类动作，而是学习任务真正需要的物体运动轨迹。
通过从单条人类演示视频中提取操作轨迹，自动生成不同空间位置和姿态下的训练数据，再利用 Diffusion Transformer 学习动作分布，机器人能够从有限示范中获得更强的操作泛化能力。
在 RLBench 的 12 项仿真任务中，TDV 达到 91.8% 的平均成功率，并在真实机器人上完成物品放置、倒水、抽屉操作等多种任务，为降低机器人学习的数据依赖、提高新场景适应能力提供了新的研究思路。
02
PhaForce
从视觉规划走向实时物理反馈
真实物理操作并不是“看得准”就一定能“做得对”。插入、推拉、擦拭等 Contact-rich 任务，不仅需要视觉理解，还依赖机器人对接触状态、摩擦变化和受力异常的实时感知。
PhaForce 提出一种阶段调度式的 Slow-Fast 视觉—力觉协同架构：低频生成式策略负责整体动作规划，高频模块依据实时力觉反馈修正局部动作，并根据不同任务阶段动态调整视觉与力觉的作用。
在充电器插入、USB 插入、抽屉操作及擦拭等 5 项真实机器人任务中，PhaForce 取得 86% 的平均成功率，展现了生成式动作规划与高频物理反馈协同的潜力，为复杂接触条件下的可靠控制提供了新的技术路径。
03
Push-Wiper
通过任务抽象实现跨环境物理操作泛化
如何让机器人摆脱对特定物体、材质与环境的依赖，学习能够跨场景复用的操作策略，是物理智能泛化的重要研究方向。
Push-Wiper 提出一种基于空间状态抽象与分层控制的物理操作框架。其核心思路是将复杂的接触操作解耦为高层策略决策与底层物理执行：利用 Diffusion Policy 基于任务状态生成低维操作轨迹，再通过三维轨迹映射与力位混合控制，将策略转化为适应不同表面几何条件的实际动作。
研究以复杂表面清洁作为验证场景，在仅使用平面数据训练的条件下，展现了对未见曲面、不同材料及物理状态的零样本泛化能力。在相关实验中，系统的平均清洁分数接近 90%，结合后处理后进一步达到约 99.25。
04
STDR
让机器人从任务进展中持续学习
强化学习是机器人通过自主探索提升能力的重要路径，但复杂操作任务往往存在奖励稀疏的问题：机器人只有在最终成功时获得反馈，难以判断执行过程中哪些动作真正推动了任务进展。
STDR 提出一种基于任务阶段转换与阶段内进度估计的密集奖励建模框架，利用视觉语言模型理解专家演示中的任务结构，并结合阶段识别、进度估计与异常状态检测，为强化学习提供更加连续、可靠的训练信号。
在 MetaWorld、ManiSkill 和 Franka Kitchen 三个机器人学习平台的 14 项操作任务中，STDR 相较稀疏奖励及多种视觉奖励学习方法，表现出更好的训练效率与任务表现，为机器人从复杂操作经验中自主优化策略提供了新的技术思路。
05
从基础技术研究
迈向更泛化的 Physical Intelligence
四项研究从不同角度切入物理智能的基础问题：从有限示范中学习可泛化的操作能力，在复杂接触中实现实时感知与反馈，通过任务抽象提升跨环境适应性，以及利用更有效的奖励机制优化强化学习过程。这些探索并不局限于某一种机器人形态或具体应用，而是围绕机器人如何学习、如何与物理世界交互，以及如何持续提升自身能力展开。
零次方立足真实商业场景推动技术落地，同时持续推进具身智能基础研究，不断拓展 Physical Intelligence 的技术边界。现阶段，零次方以零售等高频商业场景为切入点，聚焦增强泛化Picking技能，通过模型、数据与软硬件系统的协同迭代，持续提升机器人在复杂真实环境中的操作能力。同时，零次方的技术探索并不局限于当前的业务场景，而是持续深入策略学习、多模态感知、物理交互与技能泛化等基础研究，积累面向更广泛 Physical Intelligence 的技术能力。
此次四项研究成果入选 IROS 2026，是零次方持续探索具身智能基础技术的阶段性成果。面向未来，零次方将不断拓展机器人感知、学习与物理操作的能力边界，推动智能从特定任务走向更开放、更复杂的真实世界。
（来源：零次方）
