文章对 IROS 2026 进入正式议程的 1933 篇论文做多标签梳理，Robot Learning / Embodied AI 约 809 篇、Navigation / Planning 564 篇、Humanoid / Legged 约 213 篦，指出大模型并没有吃掉机器人学，学习、感知、规划、控制与操作正深度交织。
推荐理由：对1933篇论文的多标签统计给出了各方向的篇数与交叉数据，可据此判断机器人研究的真实重心分布。
RLHND 提出一种基于视频基础模型的手部跟踪模型，从单目第一人称视频中联合估计手部位姿与真实触觉信息。它把预训练的 Cosmos 3 视频扩散主干通过 clean-latent 条件化改造成确定性的片段级特征提取器，位姿流预测解剖学上合理的关节角度并支持形状参数条件化，触觉流在位姿流冻结下预测手表面的密集接触与力。
推荐理由：论文说明了用视频基础模型补上接触与力线索的思路，关注人视频用于机器人策略训练的读者可了解其方法路径。
FingerEye 是一个传感与学习框架，通过贯穿交互全程的视觉触觉反馈提升机器人灵巧操作能力。传感侧将双目 RGB 相机与柔性接触界面结合，接触前用指尖相机提供近距视觉线索与隐式立体信息，接触后用标记点追踪柔性环形件形变作为接触力旋量感知的代理；学习侧构建了真机与仿真数据基础设施，并提出 FingerEye Policy，采用分组结构的模态融合以减少模态捷径。
推荐理由：论文给出视觉触觉融合的具体设计与七项任务上的量化提升，可作为多模态灵巧操作方案的参考。
SimToolReal 提出一种以物体为中心的 sim-to-real 强化学习策略，在仿真中程序化生成大量工具类物体原语并训练单一策略，实现测试时无需针对具体物体或任务的训练即可完成灵巧工具操作。
FlashDexRetarget 提出一种基于强化学习的多参考灵巧重定向框架，用单一策略联合学习多条演示，将重定向优化成本分摊到各参考上。
推荐理由：论文给出与 CHORD 的对比数据，可帮助评估多参考重定向在数据生成成本上的实际收益。
Samuel Liu 等人构建 real2sim2real 流水线，将世界对齐与行为对齐作为两个独立变量，研究二者对协同训练策略性能的影响。在动态灵巧抓取分拣任务上，完全对齐的协同训练把成功率从 52% 提升到 86%；跨配置平均，世界对齐提升 18 个百分点，行为对齐提升 10 个百分点。
推荐理由：论文把世界对齐与行为对齐拆成两个独立变量，给出各自对成功率的贡献幅度，做仿真协同训练的人可据此分配数据投入。
论文提出 Universal Manipulation Representation（UMR），把操作分解为与本体无关的 World Flow 和相对当前位姿的 Ego Trajectory 两部分，实现人类演示到异构机器人的零样本技能迁移。
推荐理由：论文给出统一动作表示的几何分解思路，跨本体迁移的方法设计对做 VLA 策略的研究者有参考价值。
DEXTERA 提出一套自动化的 real-to-sim-to-real 框架，可将单张 RGB 图像转化为可部署的灵巧操作策略，覆盖场景分解、度量对齐、任务原语构建与多模态策略接口四个阶段。
推荐理由：论文给出从单张 RGB 图像自动生成可部署灵巧操作策略的完整流程，并报告仿真与真实协同训练带来的成功率变化。
研究团队发布开源全栈系统 EgoSteer，用第一人称人类视频扩展灵巧手 VLA 预训练，并以少量真实机器人数据完成后训练。
推荐理由：论文给出从第一人称视频构建 9606 小时预训练数据的完整管线，做灵巧手数据工程的团队可对照其吞吐与精度做法。
AHEAD（Anticipatory Horizon Extrapolation with Adaptive Dynamics）提出一种 predict-then-act 包装器，用运动感知的潜空间世界模型预测 VLA 特征空间中的未来 patch token，使冻结的 VLA 能应对执行过程中物体移动的场景。
推荐理由：论文给出 AHEAD 在动态抓取任务上相对基线的成功率对比，可为处理运动物体的 VLA 方案提供参考。
该研究提出一种免导数的 episodic 潜在策略改进方法，通过将初始噪声采样替换为精心选择的常量噪声向量（golden ticket），改进冻结的 diffusion 或 flow matching 策略。
Mulligan 将初始状态分布作为决策变量，每轮从已观察到的失败状态和未尝试状态开始采集，以提升固定监督采集预算下的数据效率。论文在 2,550 个盲测留出回合的三个真实任务和两个仿真任务上评估，相比均匀初始状态采样表现更好；结合基于价值函数的动作选择后，HiL-IDQL+Mulligan 在真实任务上最终成功率提升 10-34 个百分点。在操作员介入下，人机协作完成 98% 的采集回合。
推荐理由：论文给出在固定采集预算下按失败状态分配初始状态分布的做法，做数据采集策略的团队可参考其对比设计。
VICON 提出视觉-惯性-接触手物跟踪框架，通过改造视觉惯性手套并按人类抓握频率布置 FSR 力敏电阻，同步记录接触状态与标定法向力，配合 RGB-D 相机与单目视频重建网格、基于因子图的物体轨迹估计，在严重遮挡下联合捕捉手物运动与接触信息。
PhysEvo 提出围绕单一冻结模型的物理递归自改进（RSI）框架，由任务 agent 执行机器人任务、meta-agent 依据轨迹诊断失败并修订工具与技能，全程不更新模型权重也不训练独立动作策略。
推荐理由：论文给出与 RoboDawn 和直接 Astra 的对照成功率，便于评估冻结模型下递归自改进的实际增益。
Sanctuary AI 提出 TIGER（Task-Space Imitation Guidance for Efficient Reinforcement learning），把模仿策略当作稠密奖励信号而非控制器来引导强化学习。
推荐理由：原文给出把模仿策略转为稠密奖励的具体做法与消融结果，可参考其降低真机安全重置次数的思路。
南方科技大学CLEAR Lab联合逐际动力、香港大学的论文《Generative Visual Foresight Meets Task-Agnostic Pose Estimation in Robotic Table-top Manipulation》入选CoRL 2025，提出GVF-TAPE算法，让机器人通过观看操作视频预测任务执行过程并学会自主操作。
推荐理由：论文给出LIBERO基准成功率与实机任务结果，可看出纯RGB视频驱动操作训练相比依赖深度相机和动作标注方法的差距。