作者丨张璐
编辑丨岑峰
过去一年，具身智能发展迅猛。从 Physical Intelligence 发布π₀到开源社区热捧的 OpenVLA，VLA 大模型在实验室基准测试中表现优异，机械臂操作成功率常超 90%。
然而，当行业欢呼“机器人 GPT 时刻”到来时，学术界与产业界开始反思：这些数十亿参数的具身大模型，是真的学会了“举一反三”，还是在“死记硬背”？
主流观点认为 VLA 赋予了机器人常识与规划能力的“大脑”。但最新实验数据显示，面对物品位置随机挪动或新指令组合，纯端到端大模型受限于“空间过拟合”，执行成功率剧烈衰减。
这表明：具身智能要走出实验室，不仅需要大模型提供高层决策，更需要扎实的工程技术打造精准稳健的“小脑”。以下盘点入选 IJCAI 2026 的 6 项中国团队成果，它们从空间泛化、盲区感知到极端控制，为具身智能补齐了通往真实物理世界的关键拼图。
01 解决死记硬背，大模型如何搞定未见场景
具身智能的核心瓶颈在于真正的泛化能力。现有 VLA 大模型在面对未见过的指令组合或场景变化时，表现往往大打折扣。
泛化成功率跌破 21%：不重训模型，如何把成功率拉回 83%
论文：《VLAs Are Confined yet Capable of Generalizing to Novel Tasks》
作者：李全义（新加坡国立大学 CLeaR Lab 博士，现任 Oxa 高级应用科学家）
若指令为“把奶酪放进柜子”，而训练数据中奶酪总在桌子左侧，当现实中奶酪被移至右侧时，主流 VLA 大模型仍会机械地伸向左侧。
模型并未理解“奶酪”概念，仅是将词汇与固定物理坐标强行绑定。在李全义博士构建的 libero-ood 基准测试中，主流 VLA（如 OpenVLA、π₀-fast、UniVLA）在面对外推新任务时，成功率断崖式跌至 21% 以下。原因在于大模型决策时只关注末端坐标，忽视了物体本身。
研究通过机制可解释性方法，从大模型内部提炼出代表任务语义的“文本隐变量”。实施“文本隐变量插值（TLI）”后，在不重新训练模型的前提下，直接将π₀在外推新任务上的成功率从 9% 提升至 83%。该研究证明，大模型内部蕴含通用泛化潜能，关键在于找到正确的唤醒方式。
微调 0.63% 参数：4 小时练完视觉大模型，嵌入式芯片 63ms 响应
论文：《RepSAM: Bridging Foundation Models to Robotic Vision via Representation-Guided Adaptation》
作者：Chu Wenhui（德克萨斯 A&M 大学）
对比数据显示：传统全量微调 SAM 大模型需训练 6.32 亿参数，耗时 384 GPU 小时；而 RepSAM 方案仅微调 400 万参数，单卡 A100 训练 4 小时。参数量缩减 158 倍，训练速度提升 96 倍，感知效果却达到全量微调的 97.9%。
研究者利用中心核对齐（CKA）理论扫描 SAM 的 32 层 Transformer 网络，发现表征漂移规律：浅层网络领域差异剧烈，需高容量适配；深层网络高阶语义通用，仅需低容量适配。
RepSAM 架构图
凭借按需低秩适配，RepSAM 在透明玻璃杯分割任务上 mIoU 从 34.7% 暴涨至 90.1%，真实抓取成功率达 94.4%。更关键的是，其在嵌入式设备 Jetson AGX Orin 上响应时延低至 63ms (15.8 FPS)，解决了工业级具身视觉在边端部署的时延难题。
02 指令抽象、视线遮挡，如何实现厘米级精准交互
真实场景中，机器人面临两大感知挑战：一是自然语言指令高度抽象，易导致导航迷路；二是机械臂接近物体时形成视觉盲区。
连续空间导航：提取自然语言地标，陌生环境成功率提升 7%
论文：《FILD-Nav: Vision-and-Language Navigation with Instruction Landmark Features in Continuous Environments》
团队：Chuangye Hu, Lulu Liu 等（中国学者团队）
在连续环境下的视觉 - 语言导航任务中，现有算法缺乏高阶语义引导，导致机器人难以精准匹配指令中的物理实体。中国学者提出的 FILD-Nav 框架，能自动从自然语言指令中提炼“地标特征”，并将其注入导航核心环路：
- 地标引导的航点预测：大幅提升预测航点与真实物理地标的相关性；
- 地标增强的拓扑规划：引入地标语义校验，增强长周期导航稳健性。
在 VLN-CE 基准测试中，FILD-Nav 的导航成功率（SR）提升 2%，路径长度加权成功率（SPL）提升 3%。在全新陌生环境中，Oracle 成功率（OSR）大幅提升 7%。这一成果为服务机器人进入复杂商场、医院与家庭场景打通了关键路线。
最后一厘米视觉盲区：无需相机参与，150 个真实物体抓取率 97.3%
论文：《PECHC: Robust Tactile Grasping Stabilization in Vision-Denied Peripersonal Space》
团队：中国科学技术大学 董二宝教授团队
视觉在接近目标“最后一厘米”时存在天然盲区。当机械臂深入狭窄空间，相机视线常被遮挡，导致传统算法失效。董二宝教授团队提出的 PECHC 算法，在视觉失灵的近身盲区将控制主导权交给触觉。
团队采用解耦控制策略，建立无需视觉参与的“安全防御反射”：
- 混合纠偏模仿学习 (HCIL)：仅需稀疏的人类专家纠偏即可高效弥合模型差距；
- 级联约束调度 (CCS)：施加物理合理的行为约束，弥合几何拓扑差距；
- 时序异构蒸馏 (THED)：从历史触觉序列中进行隐式系统识别，弥合动力学差距。
在涵盖 150 个真实物体的完全自主测试中，PECHC 实现了 97.3% 的抓取成功率，性能相比传统基线提升 42.8%，并在抓取易碎品时展现出细腻的调力能力。
03 极端控制：面对强风暗流，如何防止强化学习算法崩盘
当具身智能走向户外、高空或海洋，算法面临高度随机与非线性的真实物理扰动。中国学者在控制算法的底层数学设计上提出了创新方案。
极端海况抗扰：分布鲁棒替换反向传播梯度，碰撞率下降 12.28%
论文：《Perturbation-mitigated USV Navigation with Distributionally Robust Reinforcement Learning》
团队：香港科技大学（广州）熊辉教授团队
针对无人水面艇在复杂海况下面临的传感器噪声干扰，熊辉教授团队提出 DRIQN 算法，通过两项关键突破为强化学习穿上“防护罩”：
- 回放池显式子组建模：将转移数据按噪声模式划分，对异构噪声与最坏工况进行显式建模；
- 轻量化“梯度替代”机制：利用分布鲁棒优化求解出的对偶二次规划，直接替换神经网络最后一层的反向传播梯度。
在模拟极端海况下，DRIQN 将导航成功率提升 13.51%，碰撞率降低 12.28%，同时实现省时 35.46% 与节能 27.99%。即便面对复合故障，其全场最高成功率仍达 58%。
突发强侧风控制：空气动力学与强化学习混合，毫秒级估计风场
论文：《Disturbance-Aware Hybrid Learning for Robust and Adaptive UAV Flight in Extreme Winds》
团队：重庆大学 古富强团队
针对无人机在强阵风下易失控的问题，古富强团队提出扰动感知混合学习架构。算法构建实时风场扰动感知模块，毫秒级估计非线性气流扰动特征，并将传统空气动力学物理模型与数据驱动的强化学习策略动态混合。
该方案根据实时扰动强度毫秒级调整控制权重，实现了极端风况下的平稳悬停与高精度轨迹跟踪，是无人机从“摄影工具”跃迁为“全天候工业级生产力工具”的关键技术桥梁。
04 结语：在 Scaling Law 的信仰之外，寻找物理世界的硬解
梳理这 6 篇研究，可见一条清晰的路线分野。当硅谷团队押注 VLA 大模型的 Scaling Law，试图通过堆叠参数和数据涌现通用能力时，真实物理世界的摩擦力、盲区和噪声让端到端黑盒模型显得脆弱。
相比之下，中国学者的成果展现了“物理工程主义”路线：不再盲目追逐参数规模，而是拆解大模型内脏，用 CKA 理论摸清表征漂移，以极少参数量实现边缘部署；在视觉失灵时交由触觉反射控制；面对海浪强风，从数学底层用分布鲁棒优化为梯度更新加装防护罩。
真正的产业落地，不属于无限堆叠数据的实验室，而属于那些能精算算力成本、硬刚真实物理环境复杂扰动的方案。
99 篇论文撑起的判断：IJCAI 凭什么是推理、规划、知识的「第一主场」
蚂蚁集团 IJCAI 2026 论文盘点：让 AI 学会「随机应变」
未经「AI 科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！
公众号转载请先在「AI 科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。