当前全球具身智能产业发展已不再满足于单点任务的实验室演示，而是对高保真仿真训练、复杂环境泛化、双臂高效协作、自然的交互、精密的作业等系统级能力提出了前所未有的迫切需求。北京星空电竞机器人创新中心（以下简称“北京星空电竞”）锚定底层前沿技术突破，聚焦攻克产业共性问题、推进产业落地应用，2026年开年，北京星空电竞相继在深度学习领域顶级会议ICLR及机器人领域顶级会议ICRA连续发表五篇重磅论文，为具身智能技术的多重要分支领域带来了新的方法论与技术范式。
国际学习表征会议（ICLR）由图灵奖得主Yoshua Bengio和Yann LeCun于2013年创办，是国际公认的深度学习领域国际顶级会议之一，其中ICLR 2026投稿量高达约19000篇，录取率压缩至28%；国际机器人与自动化会议（ICRA）是机器人与自动化领域的权威盛会，由IEEE主办，汇聚全球顶尖学者，涵盖前沿技术与创新应用，ICRA 2026投稿量近5000篇，录取率仅为38%。在如此严苛的筛选机制下，北京星空电竞的五项工作凭借扎实的理论创新与显著的工程价值脱颖而出，不仅填补了相关领域的技术空白，更为机器人在非结构化环境中的高效部署贡献了兼具理论价值与工程可行性的新思路。
论文标题：ArtVIP: Articulated Digital Assets of Visual Realism, Modular Interaction, and Physical Fidelity for Robot Learning
arXiv地址：https://arxiv.org/abs/2506.04941
数据集地址：https://huggingface.co/datasets/x-humanoid-robomind/ArtVIP
收录于：International Conference on Learning Representations (ICLR) 2026
ArtVIP致力于为全球研究者与开发者提供一套高质量、标准化、可复用的铰接物体数字资产库以及一套成熟的生产建模服务，通过低成本、高拟真的仿真资产，提升具身智能模型训练效果。去年10月，ArtVIP被英伟达Isaac Sim最新发布的5.1版本率先引用，受到开发者的一致好评。如今论文被ICLR接收，标志着ArtVIP同时获得工业界与学术界的双重认可。
ArtVIP聚焦复杂铰链物品的物理准确性和视觉真实性，构建了全球最精细的复杂铰接物体库，实现了对高复杂度铰接物品的高精度仿真，在还原物品视觉外观的同时，以高保真度复现了物品物理特性。ArtVIP开源环境中的所有物体，涵盖开关、小型家电、毛绒玩具、笔记本电脑、书籍、调味罐、甚至像挂钟一样的装饰品都支持精确的物理交互，仿真环境中的所有物件都可以像现实中一样使用，例如操作墙面上的开关来控制灯光、开启冰箱门、将物品放置于架上，或通过蹲身开启灶台下方抽屉来挑战运动能力，甚至连灯光色温、光线投射角度等细节都能细腻还原。
论文标题：PD2GS: Part-Level Decoupling and Continuous Deformation of Articulated Objects via Gaussian Splatting
arXiv地址：https://arxiv.org/abs/2506.09663
收录于：International Conference on Learning Representations (ICLR) 2026
为系统性解决具身智能在仿真训练时，数字孪生资产获取难、成本高的问题，北京星空电竞联合安徽大学汪浩文团队等提出PD2GS用更低门槛的多视角图像采集，自动把真实世界里的“可活动对象”（抽屉、门、台灯、折叠支架等）重建成可分部件、可连续控制、还能做运动学标定的仿真资产。该方法不再把每个开合状态各自建模后两两对齐（容易造成部件粘连、漂移、过渡不连续），而是先学习一个共享的“规范形态”3D高斯场，再用状态潜变量驱动的形变网络把它连续变形到任意交互状态；随后依据多状态下的运动轨迹把高斯自动聚成不同刚体部件，并借助视觉语言模型估计“动了几个部件”，再用SAM细化边界与分割，保证部件互斥、边界清晰、整体一致。
为验证真实落地，团队发布RS-Art真实RGB-D数据集：覆盖6类物体、每类3个实例，每个实例采集7个关节状态、400+宽基线观测，并提供反向建模得到的高精度多部件网格与关节轴/限位标注，最终以URDF资产形式开放，可直接接入物理仿真与机器人任务。实验显示PD2GS相比SOTA方法，在几何与运动学精度、以及连续控制一致性上更强： 关节轴角误差降低87%，零部件运动误差降低83%。在RS-Art真实物体上关节与部件运动误差显著降低，重建更稳定、少穿模，更接近“可用的数字孪生资产”。
论文标题：RoboPARA: Dual-Arm Robot Planning with Parallel Allocation and Recomposition Across Tasks
arXiv地址：https://arxiv.org/abs/2506.06683
收录于：International Conference on Learning Representations (ICLR) 2026