近日，机器人学习领域顶级会议 CoRL 2026 公布录用结果。CoRL（Conference on Robot Learning）是机器人学习方向最具影响力的国际会议之一，每年收录的研究成果在学术界和工业界都备受关注。地瓜机器人算法团队两篇研究成果同时中稿，这两项成果分别由地瓜机器人算法团队与上海交通大学、华中科技大学联合完成。

在具身智能从实验室走向真实场景的关键时期，算法团队选择直面 VLA（Vision-Language-Action）模型落地中最棘手的两个问题：接触丰富的精细操作与长程任务的决策一致性。

UniVTAC 和 MotionVLA 两项工作，分别从触觉感知和运动时序建模两个维度，提供了可复用的解决方案。目前两篇论文已全部公开。

UniVTAC：https://arxiv.org/abs/2602.10093

MotionVLA：https://arxiv.org/abs/2606.08288

一、UniVTAC：用仿真合成破解触觉数据稀缺

插接、装配、抽拔这类任务，仅靠视觉很难做稳。触觉反馈是完成接触密集操作的必经之路，但真机触觉数据采集成本高、效率低，不同传感器形态各异，也缺乏统一的评测标准。

UniVTAC 是地瓜机器人算法团队与上海交通大学合作完成的成果，其思路是用仿真合成数据来弥补真实数据的不足。团队基于 TacEx 框架构建了一套统一视触觉数据合成平台，集成了 GelSight Mini、ViTai GF225、Xense WS 三种主流触觉传感器，能够规模化生成带有物理真值的接触交互数据。

在这个平台基础上，算法团队提出了 UniVTAC Encoder。其设计思路不是简单地训练一个通用编码器，而是通过多通路表示学习框架，让模型从原始触觉观测中分别解耦三种物理属性：形状感知（区分物体外观与传感器伪影）、接触感知（通过表面变形和剪切引起的标记位移建模交互力学）、位姿感知（将触觉信号锚定在外部度量空间中）。这种设计使得仿真中学到的触觉表征能够真正泛化到真实场景。

同时，团队发布了 UniVTAC Benchmark，包含八项代表性任务：位姿推理类（Lift Bottle、Lift Can、Put Bottle in Shelf）、形状感知类（Grasp Classify）、接触交互类（Insert Hole、Insert Tube、Insert HDMI、Pull Out Key），为触觉驱动的策略评估提供了统一标尺。

实验数据上，在 UniVTAC Benchmark 中，无触觉的 ACT 基线平均成功率为 30.9%，接入 UniVTAC Encoder 后提升至 48.0%，绝对提升 17.1 个百分点。迁移至真实机器人场景后，任务成功率再提升 25%。

二、MotionVLA：用运动记忆替代帧记忆

长程操作的另一个问题是消歧。VLA 模型常用堆叠历史帧、深度图或 4D 特征来消除歧义，但一个反直觉的现象是：时空证据堆得越多，动作反而越不稳定 —— 漂移、抖动、路径碎片化。

问题的根源在于，当注入的时空证据在几何上不一致时，模型记住了过去 "看到了什么"，却没能理解过去 "经历了怎样的运动"。

MotionVLA 是地瓜机器人算法团队与华中科技大学合作完成的工作，其方案是不再把历史帧当作离散的记忆片段，而是将过去一段视频显式建模为时间连续的轨迹场。具体来说，团队使用预训练的轨迹提取器（TraceAnything）处理头部相机图像序列，将每个像素表示为连续时间 3D 轨迹函数。

这段 "过去运动历史" 被设计成可查询的，当前视觉 token 通过交叉注意力从中检索与当前任务最相关的运动证据，再在轨迹监督下重新耦合回 VLA 决策流。

整个流程可以概括为 "Decouple-then-Recouple"：先构建一个严格仅包含过去帧的运动历史池（明确排除当前帧），然后用当前观测去查询，最后将检索到的运动信息回嵌到策略生成中。

在 RoboTwin2.0 和 LIBERO 两个仿真基准上的实验表明，这种运动一致的记忆方式比简单堆叠历史帧或 4D token 效果更好，长程操作更稳，动作更平滑、更直接。团队也在 Agilex Piper 真实机器人上进行了初步验证。

论文也坦诚指出了方法的局限：在当前观测已经足够明确的场景下，引入运动历史可能中性甚至略有负面影响；冻结的轨迹提取器在遮挡、快速运动或纹理缺失情况下可能失败；真机实验目前仍是初步的，覆盖任务有限。

（来源：地瓜机器人）