Репортаж с ICRA 2026 из Вены

На связи снова Александр Панов, директор лаборатории когнитивных систем искусственного интеллекта ^[1] AIRI и Центра когнитивного моделирования в Институте искусственного интеллекта МФТИ. 

Как и в прошлые разы, я хочу поделиться с вами впечатлениями ^[2] от конференции, в которой мне и моим коллегам по научной группе довелось принять активное участие. На этот раз речь пойдёт о крупнейшем научном событии в робототехнике — конференции ICRA 2026, проходившей с 1 по 5 июня в дождливой, но гостеприимной Вене. 

Внутри много выжимок из статей и докладов, фото, а также видео с традиционного робопарада!

Что за мероприятие?

ICRA расшифровывается как International Conference on Robotics and Automation, то есть центральная тема — это робототехника и автоматизация. Серия с большой историей, я уже немного рассказывал про неё в прошлом репортаже про ICRA 2024, почитать можно тут ^[3].

Среди ключевых тем этого года — обучение ^[4] с подкреплением ^[5], глубокое обучение для перцепции, имитационное обучение, планирование движения и локализация. Конференция неумолимо трансформируется в площадку, посвященную обучаемым подходам, продолжая свою конкуренцию с молодой конференцией CoRL. Подавляющее большинство публикаций ожидаемо поступает из Китая и США, но и Россия тоже заметна на этом празднике роботов — отрадно, что почти половина отечественных статей в этом году подготовлена нашей научной группой. А вот на выставке (про неё ниже) — полное доминирование Китая, даже несмотря на то, что конференция проходит в Европе: 70 компаний из Китая, и по 20 из США, Германии и Австрии.

По доброй традиции показываю пакет участника:

Основной трек конференции длился три дня (со 2 по 4 июня), но мероприятие началось бодро с воркшопов, которых здесь собралось целых 70 штук на любой вкус ^[6] и цвет. Разумеется, всё не посетить, но про те, на которых я побывал, расскажу подробно.

1 июня. Воркшопы и открытие

Начну с воркшопа Generative Digital Twins for Real2Sim and Sim2Real Transfer in Robotics ^[7] с очень представительным составом участников. Тема улучшения симуляторов и внедрения в них генеративных моделей сейчас критически важна в эпоху слабого масштабирования потока данных с реальных демонстраций.

Открывал день Hengshuang Zhao ^[8] из Гонконга с беглым обзором техник анализа и синтеза 3D‑реконструкций и облаков точек для VLA. Из мощного у них выделяются PointWorld ^[9] (масштабирование 3D‑моделей для задач манипуляции) и PlayerOne ^[10] (генерация симуляционного видео по картинке от первого лица). Не обошлось и без обсуждения VLA: были представлены Any3D‑VLA ^[11] для повышения стабильности работы моделей и свежая DreamAvoid ^[12] про test‑time планирование для избегания ошибок стратегии.

Затем выступил Steve Xie ^[13], CEO компании Lightwheel ^[14], создающей симуляционные среды на заказ. Он справедливо упирал на то, что для манипуляционной робототехники нужно в 1000 раз больше данных, чем для беспилотников, и симуляция — это единственный масштабируемый путь для обучения и оценки физического ИИ. Из открытых исследований его команды стоит отметить LeHome ^[15] про симуляцию работы с деформируемыми объектами.

Невероятно производительный Jiajun Wu ^[16] (в этом году у него 6 статей только на ICRA!) рассказывал про физически правдоподобных цифровых двойников. Он выделил две основные парадигмы:

• Самоконтролируемое обучение с дифференцируемыми симуляторами (тут крутая работа NEUROK ^[17] про генеративную кинематику).

• Преобразование состояний из видеомоделей в 4D‑представления с помощью гибридных нейрофизических симуляторов (например, World of Dynamic Objects ^[18] и генератор сцен по одному изображению WonderPlay ^[19]).

Отличный доклад прочитал Ajay Mandlekar ^[20] из NVIDIA, представив SimFoundry ^[21], — систему для автоматического создания цифровых двойников и аналогов сцен на основе видеоданных реального мира. Также он упомянул расширение области применения симуляций с помощью SoftMimicGen ^[22] для деформируемого манипулирования и Humanoid Generation ^[23] для локомоции. Обе работы основаны на ранней модели MimicGen ^[24], решающей проблему генерации синтетических данных по небольшому числу демонстраций.

В конце этого воркшопа Manolis Savva ^[25] затронул программную генерацию 3D‑представлений (работы SceneMotifCoder ^[26], SINGAPO ^[27] и iTACO ^[28]), а Ingmar Posner ^[29] из Оксфорда порадовал докладом про объектно‑центричные модели мира, особенно выделив работу SPARTAN ^[30] со специальным вариантом разреженной матрицы внимания ^[31] для лучшего моделирования причинно‑следственных отношений.

Также я заглянул на Workshop on Reinforcement Learning in the Era of Imitation Learning ^[32]. Гвоздями программы там были Сергей Левайн и Челси Финн, выступавшие онлайн. Сергей описывал симбиоз между специализированными алгоритмами (фреймворк SeRL ^[33]) и универсальными моделями (фреймворк RLT ^[34]), а также использование обуславливания без классификатора (CFG ^[35]) для создания моделей pi0.6 и pi0.7. Челси делилась рецептом итеративного офлайн‑обучения с подкреплением для задач с длинным горизонтом (на примере варки эспрессо процент успеха вырос с 40% до 90%). Её аспирант Perry Dong представил алгоритмы EXPO ^[36] и EXPO‑FT ^[37], предназначенные для стабильного онлайн‑дообучения диффузионных стратегий всего на 19 минутах данных.

В первый день ещё успели провести и открытие конференции с разнообразной занимательной статистикой. Например, что из почти 5К статей отобрали 1.8К — уровень принятия традиционно довольно высокий, выше 30%.

2 июня. Основная часть, день первый

В этот день началась сверхплотная программа: одновременно шли постерные сессии (по 500 постеров 2 раза в день), короткие кейноуты от заслуженных ученых, панельные дискуссии и технические доклады. А помимо всего тут ещё шла выставка на 100+ компаний. Постерные сессии были организованы хорошо — немножко тесновато, но зато много места для самого постера, есть столики поставить своего робота, ноутбук с демонстрацией или просто расположить чай/кофе. 

Утро открылось пленарным докладом оригинального Ken Goldberg ^[38] с темой “A Tale of Two Cultures: Can Agentic Coding Close the Gap?”. Его главный посыл заключался в том, что старую добрую инженерию нужно правильно сочетать ^[39] с современными VLA‑моделями на больших данных. Он продвигал агентное кодирование CaP‑X ^[40] и бенчмарк Libero‑Pro ^[41]. Кен подчеркнул, что VLA‑модели резко теряют устойчивость при увеличении вариативности условий, поэтому их нужно подкреплять инженерными структурами, а успех такого гибридного подхода он продемонстрировал на примере проекта Dex‑Net ^[42], переросшего в коммерческую систему AmbiSort.

На кейноутах были короткие выступления по теме навигации в стиле стендапа. Первый спикер Johannes Betz ^[43] из TUM рассказал про сверхбыструю навигацию гоночных беспилотников Формулы-1 на скоростях за 200 км/ч (советую их обзор Foundation Models in Autonomous Driving ^[44]). Aniket Bera ^[45] из Purdue University обсудил безопасную навигацию в неструктурированной среде (работы FlashSLAM ^[46] и SELP ^[47]), подчеркнув, что LLM должны быть лишь источником предложений, а не конечным арбитром безопасности. Hesheng Wang ^[48] показал применение 4D‑реконструкции динамических сцен и семантического SLAM в работах ARFlow ^[49] и когнитивных графах ^[50].

На сессии финалистов на лучшие статьи (award finalists) были представлены отлично проработанные работы:

• Uncertainty Comes for Free ^[51] — использование оценки неопределенности диффузионных моделей для масштабируемого запроса помощи от человека (вместо постоянного human‑in‑the‑loop).

• IMR‑LLM ^[52] — автоматическая генерация графа операций для промышленного планирования с помощью LLM с возможностью верификации формальным солвером.

• ETac ^[53] — легкий и эффективный симулятор тактильного взаимодействия, позволяющий обучать стратегии манипуляции только на тактильной обратной связи.

• Ro‑To‑Go! ^[54] — нейросимвольный подход с использованием сигнальной темпоральной логики для реактивного управления роботом в динамической среде.

В этот день мы не только смотрели чужие постеры, но и представляли свой: Knowledge‑Guided Manipulation Using Multi‑Task Reinforcement Learning ^[55]. Наш метод объединяет 3D‑графы знаний сцены с RL, что критически помогает не забывать ^[56] нужную информацию в ситуациях с частичной наблюдаемостью.

Вечером я заглянул на собрание членов сообщества IEEE RAS (членом которого я, кстати, являюсь), где обсуждали влияние ИИ на написание статей. Провели прямо тут на месте несколько онлайн опросов — больше посмеяться и для создания видимости участия в принятии решений 😉. Было принято полезное решение ввести ИИ‑валидацию поданных публикаций и протестировать ассист ИИ‑рецензента, как на ведущих конференциях типа AAAI (кстати, в феврале я делал ^[57] репортаж оттуда).

3 июня. Основная часть, экватор

Третий день стал экватором конференции. На сессии финалистов вновь отметились сильные работы:

• Dexora ^[58] — open‑source VLA для телеоперации с задержкой 11 мс, где товарищи применяют кинематическую фильтрацию для отбора «хороших» траекторий.

• Robotic Dexterous Manipulation Via Anisotropic Friction Modulation Using Passive Rollers ^[59] — оригинальный схват с пассивными роликами на пальцах, позволяющий делать сложные манипуляции вроде скручивания колпачков.

• Bi‑Adapt ^[60] — эффективная few‑shot адаптация бимануальных манипуляций для неизвестных категорий объектов с использованием семантического соответствия.

• OmniRetarget ^[61] — переразметка демонстраций от человека к гуманоидам на основе интерактивного мэша с сохранением физических контактов.

• Push Anything ^[62] — онлайн‑моделирование и планирование контактов для сложных задач толкания объектов.

• Design and Implementation of an Angle‑Bisecting Foot Mechanism for a Leg‑Wheel Transformable Robot ^[63] — классическая разработка трансформируемого робота с ногами и колесами.

Пленарный доклад Barbara Mazzolai ^[64] про биологически правдоподобных роботов (растущие корни, мягкие щупальца) был зрелищным, но после первого удивления приходит резонный вопрос — зачем все так усложнять и нужно ли такое прямой подражание ^[65]? Тем не менее, её аргументы о высокой энергоэффективности организмов и проблеме электронных отходов при массовом внедрении роботов звучат более чем резонно.

На послеобеденных кейноутах Jeannette Bohg ^[66]  (доклад “Do We Still Need Dexterous Hands?”) аргументировала критическую необходимость пятипалых антропоморфных рук для тонкой работы с инструментами, показав технологию SimToolReal ^[67]. Следом Nikos Tsagarakis ^[68] представил концепции реконфигурируемых модульных роботов, которые обеспечивают гибкость в неструктурированных промышленных условиях. Больше послушать не успел.

Мы утром презентовали еще одну свою работу — Dynamic Neural Potential Field: Online Trajectory Optimization in Presence of Moving Obstacles ^[69]. Наш метод генерирует потенциальное поле с помощью нейросети и передает градиент в функцию MPC, что позволяет строить безопасные и гладкие траектории объезда препятствий в реальном времени.

Наконец, дошла очередь до выставки. Огромное количество антропоморфных роботов и пятипалых схватов с тактильными датчиками подтверждает, что манипуляция — абсолютный тренд современности, хотя действительно полезных прикладных кейсов пока демонстрируется немного.

Не обошлось и без традиционного робопарада:

4 июня. Основная часть, финал и награждения

В заключительный день основной программы пленарный доклад читал заслуженный Roland Siegwart ^[71] из ETH с впечатляющим индексом Хирша — 155. Он рассказал об эволюции воздушной робототехники: от рекордов автономного полета в 81 час до будущих омнидирекциональных дронов, способных безопасно выполнять физический контакт (инспекция, рисование, фрезерование на поверхностях).

Разнообразные кейноуты открыл David Hsu ^[72] из Сингапура. Его центральная идея заключалась в гибридизации структурированных представлений (MDP, формальные языки) с LLM для безопасного принятия решений роботами в открытом мире (на примере ApBot ^[73]). Эту же мысль продолжила Stefanie Tellex ^[74] из Brown University, отметив, что параметризованные навыки и языки типа PDDL повышают объяснимость и переносимость в сравнении с нестабильными end‑to‑end моделями. Noémie Jaquier ^[75] из Швеции погрузилась в индуктивные смещения на основе геометрии и многообразий (SO(3), SE(3)), улучшающие стабильность моделей. В заключении Paolo Robuffo Giordano ^[76] показал, как введение «трубок неопределенности» и робастный MPC улучшают переносимость стратегий из симуляции в реальность.

Из устных докладов по «обычным» статьям c сессии Robotic Learning II, где я успел побывать, я бы отметил:

• SVR‑GS ^[77] — рендеринг вероятностных масок для ускорения 3D Gaussian Splatting в 5 раз при минимальной потере качества.

• TADPO ^[78] — дистилляция действий планировщика в реактивный RL‑контроллер для устойчивой навигации по бездорожью.

• Learning Problem Decomposition for Efficient Sequential Multi‑Object Manipulation Planning ^[79] — извлечение замкнутых циклов и подзадач из демонстраций для эффективного мульти‑объектного планирования.

• Motion Generation for Modular Robots Using Hierarchical Policies — оригинальная работа с модульными роботами обучение иерархических стратегий для них. Для MoonBot с различными конфигурациями обучают элементарные способности модулей и на их основе синтезируют стабильные целостные движения, преодолевая рост размерности действий и нестабильность.

В IEEE любят друг друга награждать разными дипломами и грамотами. Организаторы пожертвовали обедом ради церемонии награждения лучших статей. Вот победители:

• Секция автоматизации: уже упомянутая IMR‑LLM ^[52].

• Секция обучения: Do You Know Where Your Camera Is?

• Секция взаимодействия с человеком: HEXAR ^[80].

• Секция механизмы и дизайн: Relaxation Dynamics… ^[81]

• Секция медицинские роботы — Geometry‑Aware… ^[82]

• Секция мультироботов: Dynamics Modeling… ^[83]

• Секция манипуляции и локомоции: финалист OmniRetarget ^[61].

• Секция перцепции: FindAnything ^[84].

• Секция сервисных роботов: Planar‑Sector… ^[85]

Отдельно хотел бы поздравить команду Центра робототехники Сбера, которая заняла на местном соревновании ^[86] от AgiBot по VLA моделям для разных манипуляционных задач заняли третье место! Молодцы🎉!

5 июня. Воркшопы и закрытие

В завершающий день были воркшопы самой разной тематики: от космических роверов до VLA моделей. Я, конечно, выбрал парочку, которые связаны с последними.

На воркшопе Bridging the Gap between Robot Learning and Human‑Robot Interaction ^[87] Erdem Bıyık ^[88] из USC объяснял, что коллаборативный робот должен выстраивать двунаправленную коммуникацию, похожую на ту, как люди учат друг друга (отмечу его работы Hand me the data ^[89] и Robometer ^[90]). Под занавес конференции Roberto Martín‑Martín ^[91] из Техаса презентовал систему MIcobot и оригинальные датасеты робо‑фейлов (OopsieBench и DamageSim) в среде OOPSIVERSE.

Самым насыщенным стал воркшоп From Data to Decisions: VLA Pipelines for Real Robot ^[92], собравший спикеров из Toyota, Boston Dynamics, NVIDIA и Physical Intelligence. Masha Itkina ^[93] из Тойоты подробно разбирала правильную статистическую оценку VLA‑стратегий с помощью метрики NSCORE (Beyond Binary Success ^[94]) и двухстадийный детектор фейлов FAIL‑Detect ^[95]. Из устных докладов также порадовали MolmoB0T ^[96] (миллионы симуляционных демонстраций и модели на основе pi0) и Humanoid Everyday ^[97] (огромный набор бытовых данных от первого лица для гуманоидов).

Великолепный доклад сделал Yuke Zhu ^[98] из NVIDIA про использование видеогенеративных моделей в качестве нейросимуляторов для обучения VLA. Он показал работы DreamZero ^[99] и DreamDojo ^[100], использующие огромный масштаб эго‑скейл данных (500+ часов телеоперации). Затем Alberto Rodriguez ^[101] поделился инсайдами из Boston Dynamics о разработке Atlas для сборочных линий Hyundai. Их главные выводы: отличный VR‑интерфейс телеоперации и демонстрации интервенций в стиле DAgger решают больше, чем простое масштабирование данных (успех укладки деталей достиг 90% при бюджете всего в 10 часов данных).

Завершил программу Karl Pertsch ^[102] из Physical Intelligence, рассказав про Steerable VLA ^[103] — методы подправления ошибающейся модели на фазе инференса через инструкции, изображения или траектории (как это реализовано в pi0.7).

И на этом мы прощаемся с ICRA 2026 и с Веной. Очень гостеприимный город и уже практически привычная площадка, куда отлично вписалась огромнейшая выставка и куда в целом удобно приезжать как с Азии, так и с Америки. Прогресс робототехники здесь ощущается в полной мере, будем и мы в этот прогресс вкладывать по мере сил🦾