IEEE ICRA 2026 维也纳主旨报告 · 权威特辑 | Keynote 4: Manipulation, Humanoids, Embodied Design | 演讲嘉宾：Jeannette Bohg（Stanford）、Kento Kawaharazuka（东京大学）、Nikos Tsagarakis（IIT）、Yuke Zhu（UT Austin / NVIDIA）

具身智能前沿全景：在顶级机器人旗舰会议 ICRA 2026（奥地利维也纳）的第四场主旨大会上，全球人形机器人与具身智能领域迎来了四位殿堂级学者的联合登台。从斯坦福对**“多指灵巧手高维接触动力学与装配策略”** 的理论解密，到东京大学对**“仿生肌肉骨骼、锁骨/肩胛骨复合体与柔性五趾足”** 的硬件重构；从意大利理工学院（IIT）对**“非结构化环境下的模块化身体与本体自愈弹性”** 的工业级实践，再到英伟达与 UT Austin 对**“SONIC 全身协同控制基础模型与 DreamZero 世界动作模型”** 的软件算法突破。这场耗时 86 分钟的高密度论道，彻底勾勒出人形机器人从“机械躯壳”向“物理通用智能”蜕变的完整路线图。

01 斯坦福 Jeannette Bohg：为什么我们需要灵巧手？从“粗糙玩耍”到“精密装配”的策略跃迁

演讲伊始，斯坦福大学交互智能与感知实验室（IPRL）主任 Jeannette Bohg 教授抛出了一个在工业界争议已久的灵魂拷问：“双指平行夹爪（Two-fingered Gripper）已经能完成倒水、搬运甚至大部分日常操作，我们为什么还要死磕昂贵、易碎且控制极其复杂的五指灵巧手（Dexterous Hands）？”

• 吞吐量（Throughput）质的跃迁：自由度的增加不仅是为了外观仿人，而是通过高维动力学通道指数级提升任务吞吐量。双指夹爪需要依赖机械臂大范围位移才能调整物体朝向，而灵巧手能够在指掌内部以极高角速度完成连续旋转与姿态重定向。
• 瑞士钟表大师的“子空间”启示：Bohg 援引了人类神经生理学的经典实验：初学者装配微小齿轮时必须用双手互相支撑来消弭晃动；而瑞士高级钟表大师则会用小拇指抵住工作台或表壳作为外支点。多指灵巧手通过部分手指提供环境接触支撑，瞬间将自由度投影到一个高刚度、极低抖动的“可控子空间（Controllable Subspace）”，从而消除了对昂贵外部夹具的依赖。
• 破除“单一技能单一模型”的泥潭：过去学术界往往为“转笔”、“拧瓶盖”、“拿钥匙”分别训练独立的 Policy。斯坦福团队提出了全新的统一范式：将所有操作统一建模为“目标位姿达成（Goal-Reaching）”，通过程序化生成的随机基元几何体进行通用强化学习。

Play2Perfect：从 Sim2Real 玩耍预训练到微米级装配

针对接触动力学在仿真与真实世界之间的巨大“Sim2Real Gap”，斯坦福展示了最新的突破性成果 SimToolReal 与 Play2Perfect：

阶段一：泛化玩耍预训练（Play Pretraining）：在仿真环境中，灵巧手无监督地抓取并玩耍成千上万种随机形状的工具，学习通用的手内旋转、重定向与多点接触动力学。虽然策略能够应对任意未知几何体，但在严格公差下成功率仅有 0%（即能把玩，但无法插合）。
阶段二：极小样本精准微调（Play to Perfect）：基于预训练的潜空间动力学基底，仅通过稀疏奖励（Sparse Reward）进行针对性微调，机器人便能在真实世界中以惊人的鲁棒性完成轴孔装配（Peg-in-Hole）、梁柱拼接等工业级紧密配合任务。

02 东京大学河原塚健人：生物骨骼的机械重构——肩复合体、锁骨与五趾足

当绝大多数机器人公司还在采用传统的“电机+行星减速机/谐波减速机”刚性串联关节时，东京大学 JSK 实验室的河原塚健人（Kento Kawaharazuka）副教授展示了一条完全不同的仿生进化支线：肌腱驱动肌肉骨骼人形机器人（Musculoskeletal Humanoids，如 Kengoro、Musashi、Kojiro）。

为什么人类能够轻松扛起重物、在剧烈碰撞中免于骨折，而传统刚性人形机器人只要摔倒就齿轮崩齿？河原塚指出，现代机器人最大的误区在于过度简化了人类躯体的解剖学拓扑。

河原塚强调，通过多层神经网络控制架构（Multi-layered Neural Systems），肌肉骨骼机器人已经成功走出实验室，在真实家庭环境中自主完成了吸尘器清洁、厨房平底锅烹饪以及户外陡坡动态攀爬等高动态任务，证明了生物解剖学结构在物理具身交互中的不可替代性。

03 意大利理工学院 Nikos Tsagarakis：从固定机器到野外作业——模块化身体与本体自愈弹性

意大利理工学院（IIT）高级研究员 Nikos Tsagarakis 教授将视角拉向严苛的实际工业与野外极端场景：建筑工地、野外抢险以及外太空在轨装配。在这些非结构化环境中，单一形态的机器人不仅效率低下，且一旦发生单个部件损坏，整个系统就会瞬间瘫痪。

Tsagarakis 提出，真正的具身智能自主性绝不仅仅是上层“任务技能”，更是底层的**“模块化身体、本体级能效与具身自愈恢复力（Embodied Recovery）”**：

任务定制形态（Configured for the Mission）：
IIT 研发了 CONCERT 可重构移动协作机器人平台与 KYON 插拔式模块化机器人系统。通过获得专利的快速插拔机械-电气-通信通用接口，机器人可以根据当日任务在数分钟内切换形态：重载搬运时装配四足Stick-Foot轮腿底盘，精细装配时切换为双臂高精度操作台，实现“同一套模块，千种具身形态”。
形态决定能效（Energetic Efficiency Starts at Morphology）：
机器人无法在野外背负沉重电池。IIT 通过精密的被动重力载荷补偿机制（Leg Load Compensation），结合低减速比/准直驱电机的动态透明度，大幅削减了站立与行走时的静力矩能量消耗，使野外作业续航提升了数倍。
具身故障自愈（Embodied Recovery & Operational Resilience）：
在太空反射镜自动组装（MIRROR 平台）等无人现场，当某个执行器因物理冲击发生扭矩退化甚至锁死时，机器人不会停机报错，而是能够自适应重组全身运动学协调链——例如用健康侧肢体分担载荷、调整重心轨迹，以“带伤跛行”的方式坚持完成关键任务并自主返回维护站。

04 UT Austin & NVIDIA 朱玉珂：通用人形机器人基础模型——SONIC 全身协同与世界动作模型

主旨大会的压轴演讲由德州大学奥斯汀分校助理教授、英伟达通用具身智能实验室（GEAR Lab）联合负责人朱玉珂（Yuke Zhu）带来。朱玉珂开宗明义地指出：“经历了 1920 年戏剧幻想与 2015 年 DARPA 挑战赛的现实冰点，我们正在亲历人形机器人技术史上最剧烈的‘寒武纪大爆发’。”

要想让由数十个自由度组成的人形机器人真正走向通用化，算法架构必须突破三大核心瓶颈：

• 打破数据金字塔的匮乏死局：真机数据极其昂贵且充满磨损危险。英伟达与 UT Austin 构建了倒金字塔数据流：最顶层是不到 1% 的真机数据，中间层是海量物理仿真合成数据，而最底层的基石是互联网上海量人类第一视角视频（Egocentric Videos）。通过跨模态动作先验，彻底摆脱对真机遥操作的重度依赖。
• SONIC：全身协同控制超集：传统方案将双足行走、上身抓取、头部凝视切割为彼此割裂的控制器。全新开源的 SONIC 基础模型将全身动作追踪（Whole-Body Motion Tracking）确立为人形机器人控制的统一超集，参数量从 1.2M 扩展至 42M，全面开源并成功部署在宇树 Unitree G1 等量产人形机上。
• EgoScale：从人类视频汲取双手灵巧操作：通过数万小时人类主观视角视频进行大规模预训练，模型直接预测人类手部接触几何与动作轨迹，随后通过极简微调直接投射至机器人机械手上，实现无需人工标注的跨具身手势泛化。
• DreamZero：世界动作模型（World Action Models）：世界模型不仅是视频生成器，更是零样本操作策略（Zero-shot Policy）。通过预测带有物理因果律的未来状态，机器人能够实时感知当前画面的扰动与失败，自主触发反应性恢复行为（Reactive Recovery Behaviors）。

朱玉珂的总结寄语：“在过去的两年里，我们在仿真物理引擎、人类视频动作先验、生成式世界模型与低成本硬件平台上看到了前所未有的加速协同。所有技术梯度的收敛正在告诉我们：构建自主、多功能且具备通用操作能力的人形机器人不再是科幻小说的独白，它正在成为一个可以通过扎实工程逐步攻克的确定性科学工程现实。”

本文全景解析自 IEEE ICRA 2026（奥地利维也纳）Keynote 4《Manipulation, Humanoids, Embodied Design》。由具身智能与机器人前沿技术团队整理，涵盖灵巧手操作动力学、仿生肌肉骨骼机械架构、野外模块化自愈系统与通用人形大模型四大核心维度。