IROS 2026 Workshop 征稿了！构建可扩展的机器人学习基础设施：从数据到部署

近年来，视觉-语言-动作模型(VLA)、具身基础模型以及通用机器人学习系统快速发展，机器人正在从实验室演示走向更复杂、更开放的真实环境。然而，当模型规模、数据规模和部署规模不断扩大时，真正限制机器人学习继续向前推进的，往往不再只是模型结构本身，而是端到端系统能力。

如何高效采集和组织大规模机器人数据？如何进行可复现、可扩展的后训练？如何可靠评测具身智能？如何把学习系统稳定部署到真实机器人与多机系统中？围绕这些问题，我们将在 IROS 2026 举办Building Scalable Infrastructure for Robot Learning: From Data Scaling to Real-World Deployment Workshop，聚焦大规模机器人学习所需的系统基础设施，覆盖从数据扩展、训练与后训练、标准化评测到真实机器人部署的完整生命周期。

本届专题研讨会将围绕四个互相关联的主题展开深入探讨：

• 数据扩展：探索面向真实交互和仿真环境的大规模多模态数据采集、生成、组织与调度方法，包括大规模遥操作数据采集、合成数据生成、仿真与真实数据结合的数据管线，以及从仿真到真实环境的迁移。

• 训练与后训练：讨论视觉-语言-动作模型和具身智能体的监督微调、模仿学习、离线与在线强化学习、偏好学习，以及可扩展训练工作流。

• 具身智能评测：构建标准化基准与评测协议，用于衡量任务泛化、长程推理、安全性、鲁棒性、数据效率以及真实机器人实验的可复现性。

• 真实部署基础设施：关注真实机器人执行中的软硬件集成、分布式推理、运行时诊断、安全监控、持续反馈与群体机器人学习等系统问题。

本次专题研讨会现面向全球研究者开放征稿。我们诚邀机器人学习、具身智能、机器学习系统、计算机视觉、强化学习以及真实机器人部署方向的研究者和工程实践者投稿与参会。

投稿主题包括但不限于以下方向：

• 真实机器人交互数据采集与大规模遥操作数据管线

• 仿真数据生成、合成多模态数据以及从仿真到真实环境的迁移

• 面向视觉-语言-动作模型的监督微调、模仿学习与后训练流程

• 面向具身智能体的离线强化学习、在线强化学习与偏好学习

• 视觉-语言-动作模型能力评测、长程推理与任务泛化

• 真实机器人的安全性、鲁棒性与可靠评测方法

• 连续部署、软硬件集成与多机器人系统学习基础设施

• 面向真实机器人执行系统的分布式实验平台与运行时诊断

特别鼓励具有系统经验和社区价值的投稿，包括但不限于完整研究论文、系统报告、基准测试或评测论文、正在进行中的工作，以及与数据管线、训练流程、评测挑战和真实部署相关的负面结果或失败案例分析。

投稿将通过 OpenReview 系统进行，采用双盲评审。录用稿件将根据质量、主题契合度与专题研讨会日程安排，遴选为口头报告（3篇）或海报展示。

投稿入口：https://openreview.net/group?id=IEEE.org/IROS/2026/Workshop/ScaleInfra

论文格式：使用 IROS / IEEE 双栏会议模板

论文长度：欢迎提交 2 至 4 页的扩展摘要，或 6 至 8 页的完整论文。参考文献计入页数。我们也欢迎已发表工作在本专题研讨会中进行展示与交流。

匿名要求：投稿阶段采用双盲评审，论文及补充材料中不应包含作者姓名、单位或明显暴露身份的信息。

重要日期：

我们设置两轮投稿与通知时间，以方便有签证、经费申请或行程安排需求的作者提前获得结果。第二轮投稿为常规投稿批次。所有截止时间为19:59 北京时间。

第一轮投稿截止：2026 年 7 月 13 日

第一轮结果通知：2026 年 8 月 3 日

第二轮投稿截止：2026 年 8 月 10 日

第二轮结果通知：2026 年 8 月 31 日

终稿提交：2026 年 9 月 14 日

随着机器人学习从单点算法突破走向大规模数据、训练、评测和部署协同演进，系统基础设施正在成为推动通用机器人进入真实世界的核心问题。我们期待与来自机器人学、具身智能、机器学习系统、计算机视觉和强化学习社区的研究者、学生与工业界实践者一起，讨论大规模机器人学习的开放问题、失败经验、系统设计原则与未来方向。

欢迎大家投稿、参会，也欢迎转发给可能感兴趣的同学和同事。

• 项目主页：https://scale-infra.github.io/iros2026/

• 投稿入口：https://openreview.net/group?id=IEEE.org/IROS/2026/Workshop/ScaleInfra