RSS 2026 机器人操作论文亮点：少样本、强泛化成为主旋律

7月13日，机器人领域顶级会议 RSS 2026 在澳大利亚悉尼开幕。本届主会接收论文约160篇，Manipulation 环节展示了机器人操作的最新成果。一个显著趋势是：机器人正摆脱对海量标注数据的依赖，迈向“少样本、强泛化”阶段。以下是该环节精选的9篇代表作。

打破“数据匮乏”：向人类“借”经验

BiDemoSyn：一次演示生成数千条训练数据

华南理工大学团队提出 BiDemoSyn 框架。它将双臂操作拆解为“不变协调块”与“可变物体适应”两部分，通过视觉引导对齐和轨迹优化，仅需一段真实世界示范视频，数小时内可自动合成数千条多样化训练数据。实验显示，训练出的策略能鲁棒泛化到新物体位姿和形状，并实现零样本跨本体迁移。

DexImit：从单目人类视频学习双臂灵巧操作

上海人工智能实验室和清华大学联合提出 DexImit 四阶段管线：重建手-物交互三维结构、子任务分解与调度、合成机器人轨迹、数据增强。它能直接利用互联网上任意人类操作视频（甚至AI生成视频），极大降低训练数据采集成本。

TactAlign：触觉手套教机器人拧灯泡，无需配对数据

UC Berkeley 和 Meta 等机构提出 TactAlign。利用整流流将人类与机器人的触觉观测映射到共享潜在空间，无需配对数据集或人工标注。对齐锚点来自手物交互中的自然伪配对。在拧灯泡等高灵巧任务中，仅需不到五分钟的人类触觉数据，即可实现零样本迁移。

跨越“虚实与场景鸿沟”

手术机器人：Supervised Mixture-of-Experts 实现轻量级泛化

德国国家肿瘤疾病中心提出监督式混合专家（MoE）架构，可叠加在任意自主策略上。仅凭立体内窥镜图像，叠加 MoE 后的 Action Chunking Transformer 用不到150条演示数据学会“肠道抓取与牵拉”任务。在弱光、遮挡及全新抓取位置下仍保持稳健，并在离体猪组织上零样本泛化，初步完成体内猪手术验证。

Semantic-Contact Fields：融合触觉与视觉，实现类别级工具操作泛化

新加坡 A*STAR 和 NUS 团队提出 SCFields，将视觉语义与密集接触估计融合到统一三维表示。两阶段 Sim-to-Real 管线：仿真预训练接触先验，少量真实数据微调。在未见过的工具实例上实现类别级泛化，大幅超越纯视觉和原始触觉基线。

UMI-Underwater：水下抓取无需水下遥操作

斯坦福大学和哥伦比亚大学提出 UMI-Underwater。利用深度图作为陆地与水下域的通用表示，在陆地手持演示数据上训练模型，通过几何对齐零样本部署到水下。配合自监督数据采集管线，水下抓取性能全面超越纯RGB方法，甚至能泛化到仅在陆地数据中出现过的物体。

重塑“底层逻辑”

VLA模型数据配比实证研究：89个策略揭示最佳组合

Meta AI 利用4000小时操作数据和5000万视觉-语言样本，训练89个VLA策略并超六万次测试。结论：视觉-语言数据和跨本体机器人数据是“黄金搭档”，两者联合共训练显著提升泛化能力；离散动作token收效甚微。仅用机器人数据训练会退化大模型视觉语言理解，加入共训练后可恢复。

SID：两次演示、九成成功率，把机器人“滑”进安全区

香港科技大学提出 SID 框架。核心是物体为中心的运动场，通过学习规范化演示，在机器人偏离轨迹时提供纠正运动，将系统逐步拉回可靠操作区域；接近目标时运动场衰减，交由轻量级策略完成精细操作。在六个真实世界任务中，分布外初始条件下保持约90%成功率。

Contact-Grounded Policy：让灵巧手真正“感知”接触

UCSD、Brown 和 Sony AI 提出 CGP 框架，包含条件扩散模型预测状态-触觉耦合轨迹，以及学习到的“接触一致性映射”将预测转化为柔顺控制器可执行目标。在配备高精度触觉传感器的机械手上，操控、抓取和工具使用任务均显著优于基线。指出触觉应作为连接AI策略与物理现实的“接地”桥梁。

总结

从一次演示合成数据、两次演示实现高成功率，到从人类视频自动提取知识、触觉手套跨物种迁移，这九篇论文共同指向机器人操作正从“数据饥渴”走向“样本高效”。