2026年6月1日至5日，全球机器人技术与自动化领域最具影响力的国际会议之一——ICRA 2026，将在奥地利维也纳盛大举行。在这场汇聚顶尖科研机构、前沿开发者及产业生态伙伴的盛会上，一个值得关注的现象正逐渐明朗：具身智能的落地路径，正从“展示技术实力”转向“真正解决实际问题”。

今年，艾欧智能将再次亮相ICRA 2026（展位号Booth#106），并作为第二届WBCD（What Bimanuals Can Do）挑战赛的合作支持方，为赛事提供关键的数据支撑与生态协作。

WBCD挑战赛：从跨国遥操作迈向真实任务数据开放

WBCD赛事是什么？

WBCD，全称为“What Bimanuals Can Do”，是基于ICRA平台打造的双臂机器人挑战赛。赛事的定义非常明确：

“Real Tasks. Real Robots. Real Benchmarks.” —— 真实任务、真实机器人、真实基准。

这绝不是一场纯粹的炫技表演。比赛围绕真实世界中的机器人操作场景展开，涵盖物流分拣、实验室操作、柔性物体处理等多个领域，同时支持VR、外骨骼、UMI等多样化的交互与数据采集方式。

第二届WBCD设置了四个细分赛道，其中Track 1聚焦基于Unitree G1的物流分拣任务。其背后的设计理念值得关注：不是让机器人按照预设脚本表演，而是要求它在真实任务场景中“动真格”。

回顾2025年首届WBCD，有一幕令人印象深刻：艾欧智能基于TeleXperience系统，成功完成了跨越大洋的远程遥操作实验。操作员位于中国深圳，远程控制远在美国赛场的机器人，执行了一个多步骤的生命科学实验操作任务，并斩获最佳应用奖。这一过程面临时延、通信、控制精度等多重挑战，但充分验证了远程遥操作在真实研究场景中的可行性。

到了今年，事情更进一步。针对WBCD Track 1，艾欧智能提供了与比赛任务场景高度相关的SenseXperience UMI类型数据，供参赛团队使用与测试。这好比下围棋，光记谱没有用，关键时刻能落子才算数。

Task-Relevant Data：数据不在多，在于“对路”

针对Track 1的物流分拣任务，此次提供的数据集并非随机采集的通用演示数据，而是围绕真实比赛任务进行精准采集，覆盖目标物体操作、分拣流程、第一视角操作过程等环节，更贴近实际任务中的操作逻辑与流程。简而言之，这些数据是在“实战语境”下产生的，而非实验室中的摆拍结果。

除了数据，硬件方面也有配套动作。针对Unitree G1平台，艾欧智能提供了可快速安装的执行器夹爪方案，并开放了对应的SDK用于夹爪控制与开发。目的很明确：降低参赛团队在任务搭建与数据验证中的适配成本，让大家将更多精力集中在算法与策略上。

一个核心判断是：对于具身智能而言，真正关键的并非“获得更多数据”，而是“获得与目标任务强相关的数据”。相比泛化的demonstration数据，task-relevant data往往能更有效地支持机器人在真实任务中的学习与执行。这句话值得反复品味——数据堆砌式的研究，正在让位于目标驱动的精准数据策略。

开源SenseXperience UMI数据集：让社区直接上手

为了支持WBCD参赛团队以及更广泛的社区开发者，艾欧智能已在Hugging Face上开源了SenseXperience UMI数据集。该数据集围绕Unitree G1物流分拣任务采集，由SenseXperience人类数据采集系统完成，包含真实任务场景中的第一视角操作数据与UMI类型demonstration data。

开发者可直接访问：
https://huggingface.co/datasets/ICRA-WBCD/IO-AI-SenseXperience-UMI

开放不仅意味着提供资源，更是向社区释放信号：数据共享正在加速，从“开放数据”走向“任务导向的数据开放”。

从数据到研究探索：辅助遥操作的少样本泛化

除了数据开放，艾欧智能在辅助遥操作、shared control与demonstration understanding等方向持续输出研究成果。今年，他们与吉林大学合作完成了一项重要工作：

《Adaptor: Advancing Assistive Teleoperation with Few-Shot Learning and Cross-Operator Generalization》

这项研究已作为ICRA相关研究工作公开发表。论文聚焦辅助遥操作中的少样本适应与跨操作者泛化问题——这在真实场景中是一个颇为棘手的痛点。

辅助遥操作虽然可以通过shared control提高效率，但不同操作者的习惯、熟练程度和动作风格会导致轨迹分布差异显著，进而影响系统对人类意图的判断。Adaptor提出的解决方案是：一个少样本意图识别与动作生成框架。它通过噪声注入合成trajectory perturbations，并使用geometry-aware keyframe extraction提取关键轨迹信息；随后用Intention Expert编码人类意图，并结合VLM context条件化Action Expert生成动作。

相比传统“针对单一操作者进行动作补全”的方案，Adaptor更进一步地探索了“面向多操作者的意图理解和泛化辅助”。这一点，对于遥操作从实验室走向工厂、医疗等实际环境，至关重要。

论文地址：
https://arxiv.org/abs/2604.09462

整体来看，从跨国遥操作演示，到开源真实任务数据集，再到少样本泛化研究，这些行动串联起一条清晰的路线：让机器人真正学会干活，而不仅仅是学会表演。ICRA 2026，值得期待。