新闻Robohub6 天前
IROS 2026大会视频开源:聚焦手术自主、物理AI与部署后学习
本文由 AI 根据公开内容整理,可能有误,请以原文为准:Watch the IROS 2026 plenary and keynote talks(Robohub)
核心内容
2026年IEEE/RSJ国际机器人与系统会议(IROS)于9月27日至10月1日在匹兹堡举办,IEEE现已通过IEEE.tv平台公开全部主旨演讲、全体会议面板及颁奖典礼录像。内容覆盖初创企业生态、太空机器人、通用与专用路线辩论等议题,并包含Elena De Momi、Naomi Fitter、Greg Chirikjian等13位顶级学者的技术报告,集中展示了当前具身智能在医疗、灾难救援及工业制造领域的最新研究边界。
技术议程深度拆解了具身智能核心瓶颈:Fujitsu Kozuchi提出面向可扩展物理AI的Physical OS研究策略;David Held探讨机器人部署后快速适应策略设计;Genta Suzuki与Lael Odhner分别阐述操作系统的规模化路径与操作系统的前沿赌注。此外,Jen Jen Chung分析了数据价值差异对模型训练的影响,Robin Murphy重新审视灾难机器人开放问题,Yigit Menguc则聚焦张拉整体结构与软体机器人的工程化挑战,为算法工程师提供了从仿真到真机部署的系统性方法论参考。
关键看点
- Physical OS战略:Fujitsu Kozuchi提出面向可扩展物理AI的研究策略,探索构建标准化机器人操作系统以支撑大规模具身智能应用落地
- 部署后自适应:David Held分享机器人部署后学习机制,重点讲解如何设计策略以实现真机环境下的快速适应与能力迭代
- 数据价值分层:Jen Jen Chung指出数据并非绝对平等,揭示特定高价值数据子集在具身模型训练中的关键作用与筛选逻辑
- 软体与张拉整体:Yigit Menguc结合软体机器人与张拉整体结构,探讨柔性本体在复杂交互场景中的力学特性与人机协作潜力
工程与产业观察
本次大会录像揭示了具身智能正从单一感知控制向系统化物理AI演进。Physical OS与部署后学习成为破解Sim-to-Real鸿沟的关键抓手,而数据价值分层理论提示从业者需重构数据采集与清洗管线。对于算法工程师而言,关注非结构化环境下的快速适应策略与软体机构动力学建模,是提升机器人泛化能力的必经之路。
外部来源
本页事实对应的公开页面,以原文为准。(点击将离开本站)