8月20日消息，2026世界机器人大会论坛于8月19日 - 22日在北京举行。8月19日下午为论坛开放合作日，来自全球多个国家和地区的机器人及具身智能领域领军者，围绕产业发展经验、前沿技术探索成果与市场机遇展开分享，并立足开放合作，共同探讨全球产业协同与技术创新路径，助力机器人产业高质量发展。在该论坛上，IEEE机器人与自动化学会主席、美国伊利诺伊大学厄巴纳香槟分校西贝尔计算与数据科学学院主任、美国艺术与科学院院士Nancy M. Amato分享了机器人规划：面向自主、协作与辅助多机器人系统的算法。
谢谢大家，这是我第一次参加世界机器人大会，感谢主办方的邀请。我很高兴今天上午聆听了许多精彩的分享和高质量的讨论。
首先，我想为大家简要介绍一下运动规划，以及我们面向未来所面临的挑战。接下来，我会重点介绍IEEE RAS。我来自IEEE RAS学会，我们专注于科研创新，是推动机器人技术进步与全球机器人产业发展的重要组织。我们设有47个不同的技术委员会，覆盖全球多个机器人研发方向，拥有25000名会员。同时，我们也具备较强的技术成果推广与落地能力。我们有8个期刊，以及三大旗舰会议ICRA、IROS、CASE。我们也与本次大会主办方围绕这三大会议进行了交流，吸引了众多主办方代表和参会嘉宾积极参与。
这展示了我们会员近几年的增长情况。自2020年以来，我们实现了非常快速的增长，其中亚洲和拉丁美洲的增长最为显著。同时，这一增长既包括学生会员，也包括非学生会员。我们目前有25000名会员，其中约10000名是学生会员，很多人也积极参加我们的国际会议。
从公开期刊的发展情况可以看到，一个非常重要的重点方向，就是帮助研究者分享他们的观点与洞见，让他们的研究成果能够接受同行评审，并进入大会进行报告。这其中包括IEEE Transactions on Robotics，以及机器人学相关的一系列审稿与交流平台。过去两年里，我们还新发布了4本期刊，包括IEEE实践类期刊以及自动化、机器人和现场机器人相关期刊，为不同行业的应用研究提供了更丰富的发表渠道，也让来自不同公司和研究机构的研究者能够分享最新产品与技术成果。
我们最近还发布了关于机器人学习的最新内容，同时也介绍了软体机器人相关研究。大家如果感兴趣，可以阅读对应的公报，这一内容已于1月份发布。与此同时，我们也举办了一系列聚焦机器人行业发展的活动。
这一部分主要聚焦于加强产业界与学会之间的沟通交流。在大会期间，我们也设有相关展会，展会中有许多学生代表参与。他们未来不一定都留在学术界，也会进入产业界，希望获得更多机会，与产业界同行开展合作，并通过展会建立联系。同时，我们也提供培训，帮助学生、教师、研究人员以及初创企业更好地成长。此外，我们长期参与标准制定工作。这就是关于IEEE RAS的简要介绍。我相信在座各位会对此感兴趣，如果大家还不是IEEE RAS成员，也欢迎加入我们，我们有很多优质内容愿意持续与大家分享。
接下来进入我的主旨演讲。我的分享内容和大家上午听到的内容略有不同，我将重点介绍如何让机器人应用在更加复杂、更加长期的场景之中，其中大多数涉及任务规划。接下来我会介绍当前面临的挑战、研究界关注的热点问题、正在推进的科研方向，以及尚未完成但值得持续拓展的工作。
我们已经看到，现代机器人具备了非常强的物理能力，而这些能力在几年前几乎难以想象。我们也看到了许多技术进展，包括人工智能的发展、大语言模型的突破。我们的一些研究生也在这一方向开展科研工作。我们希望通过这些进展进一步加速计算能力和机器人技术的发展，并推动相关技术真正落地应用。当前我们所缺乏的，是如何更好地使用这些机器人。我们希望未来能够看到家用机器人、陪伴机器人进入家庭，在各种非结构化场景中与人互动。我们希望能与它们交流，让它们提供陪伴，甚至像家庭成员一样融入日常生活。在未来几年，这样的场景有望逐步实现，但前提是我们必须在机器人路径规划等关键问题上持续突破，并加强与科研人员的合作。最后，我也会和大家分享一些非常新颖、甚至有些大胆的想法，这与今天上午提到的很多内容都不太一样。
先从一些相对基础的内容开始，也就是基本的运动规划。我们可以看到，有一些可移动的物体，我们希望找到一条合理路径，将物体从A点移动到B点。在这个过程中，我们需要处理位置移动和参数调整等问题。这其中也存在很多具有挑战性的研究课题，我们已经持续研究了很多年。
这里可以看到αβ模型。α类问题属于非常困难的应用场景，求解难度很高，因为它往往需要处理两个不同管道或结构所对应的无数种配置。我们通常只能找到其中一小部分可行解。我们可以通过随机设置参数和变量去搜索这些空间，但如果完全依赖随机动作，往往很难真正找到有效方案。因此，我们需要开发更高效的方法，并将这些方法转化并应用到不同的实际场景中。
例如，我们可以设计位形空间C—space。这里有一个示例：一个简单的二维三角形机器人，需要从左上角进入目标环境。虽然这个例子看起来很简单，但它对应的C—space却非常复杂。机器人所处环境中的障碍物也需要转换到C—space中，因此我们必须找到一种方法，能够在这些位形空间中有效工作。类似的方法还可以应用到智能驾驶、人形机器人等场景中，它们都有各自的位形空间。只有找到合适的设计和规划方法，机器人才能在位形空间中实现正常行驶、移动、搬运以及后续协作任务。
大约25年前，运动规划领域经历了一场重要革命，我们称之为基于采样的规划。基于采样规划的核心思路，是通过在位形空间中进行采样来完成求解，这是一种非常基础但影响深远的方法。我们可以看到，这类问题主要有两种不同策略：第一种是基于图的方法，我们称之为概率路线图方法；第二种是随机树方法。这两种方法推动了运动规划的发展，如今许多运动规划算法都建立在这两类思想之上，一个是PRM，另一个是RT。
但遗憾的是，最初的一些应用效果并不理想，因为当时主要依赖均匀采样，这种方法很难有效生成适合复杂问题的C—space。尤其是在遇到困难场景时，更难构建有效的位形空间表示。因此，我们开始研究复杂情境下的应用。在一些案例中可以看到，均匀采样很难让规划网络穿过狭窄通道，所以我们必须找到更聪明的方法。怎么做呢？我们需要采用带有偏置的采样方法，对规划过程进行引导，或者结合其他采样算法，例如特定类型的Y采样，或者借助人类洞见来辅助。我们需要进一步探索这些结构与问题，因此可以看到，经验与数据都会对机器人路径规划产生重要帮助。
接下来我想讲一些不同的空间问题，我认为这些问题至今仍未被完全解决。目前我们提出了一些假设和方法，但距离最终目标还有很长的路。首先，第一个方向就是多机器人协同、多智能体协同。在处理这类问题时，我们会面临明显挑战：每增加一个机器人，系统复杂度都会呈指数级上升。也就是说，位形空间和规划空间都会快速膨胀。因此，传统的基础方法往往难以奏效，因为它不可能为我们直接提供如此庞大的C空间。更复杂的是，我们还需要处理不同类型机器人之间的协同，这会额外增加变量与参数约束，使问题更加难以求解。
因此我们必须认识到，不能用穷举方式来解决这类问题。但在实际应用中，我们通常也不需要穷尽所有可能。大多数情况下，协作可以通过分层规划来完成，也可以在短时间窗口内进行同步规划，以支持2—3个机器人之间的有效协同。
在这里可以看到，我们会先对单个机器人分别进行规划，然后只在必要时让它们相互配合、相互协同。当它们彼此距离很近、任务强相关时，再进行联合协同规划，这就是我们当前常见的工作模式。
例如，我们在日常走动时，无论未来环境或周围情境如何变化，并不需要时刻对全局进行计算，而是更多依赖局部导航。因此，我们可以设计方法，去模拟人与周围环境之间的交互模式。这里有两个不同概念：第一，是构建一种结构化方案，将协同与路径规划整合并嵌入系统之中，同时支持与不同类型机器人协作；第二，是反应式协同，也就是局部协调。这类问题并不是二选一、非此即彼，而是需要将两种方式结合起来，才能实现更高效的机器人协作并最终得到可行解。
另一个重要挑战，是让机器人能够与我们在办公和家庭场景中协作。我们希望信任机器人，让它照顾老人、孩子，并处理各种具体问题。比如说，你的祖母很喜欢瓷器，那么机器人如何在家庭环境和办公环境中更加稳妥地协作？我们如何与它们沟通、交流？又该如何通过自然语言交互、手势理解等方式，让机器人更好地适应人的需求？这里有一些简单例子表明，人类洞见将极大推动这一问题的解决。
所以在这里我们可以看到，如何更好地把两个管道分开，是一个典型问题。我们尝试将问题拆分处理，但在规划算法中，这样的拆分其实非常困难。为什么呢？因为人类可以较为直观地判断两个管道的走向和轨迹，但对于算法来说，要在很短时间内完成这样的判断并不容易。我们需要让系统在搜索空间中找到一条合适轨迹，而且这条轨迹还要符合人类对机器人行为的预期，这就是其中非常具有挑战性的地方。
我们正在探索的一项策略，是使用沉浸式系统，包括VR、眼动实验、眼动追踪、凝视控制以及手势编程等方式，让机器人在具体情境中获得指导。我们的目标，是让更多人都能够操作和编程机器人，但目前在虚拟环境中实现这一点仍然存在不少挑战。
因此，在工厂或其他需要与机器人互动的场景中，使用者不必一定是专业程序员，也可以随时在现场对机器人进行编程，让机器人按照自己期望的方式工作。这是一个非常有前景的方向。对于游戏玩家等具备交互经验的人群也是如此，我们有机会让他们更高效地使用机器人，并参与机器人编程。
另外，我们正在研究的方向还包括使用自然语言处理NLP，并结合计算机视觉来构建交互界面。在这个框架下，人们可以通过更自然的方式向机器人发出指令，为机器人提供系统化辅助，从而减少对传统复杂操作方式的依赖。
最后，我想介绍一个全新的科研项目，这与前面的方向完全不同。我们在思考下一代计算平台，希望使用活体生物神经元进行计算。我们在培养皿中培养由干细胞生长而来的神经元，它们会形成成千上万的神经元网络。我们的工作不是使用传统硅基芯片，而是探索生物基芯片，也就是基于神经元的芯片，并尝试对其进行编程，再把它们集成到机器人系统中。未来这一方向具有很大的潜力，我们也对此充满兴趣。
人脑运行所需的能量远低于数据中心。我们的大脑只需要很少的能量，就能完成很多复杂任务，而数据中心通常需要消耗大量能量才能做到类似工作。我们希望借助这样的生物系统，在生物芯片平台上开展研究。当然，这并不是为了替代超级计算机，而是希望作为补充，探索它们是否具备某些特定能力和功能。这类系统具有自适应和可控制特性，我们也希望据此设想更多目标。我们的愿景是建立生物与硅基混合系统，同时发展微型仿生芯片和新型系统架构。
我们希望构建所谓的湿硬件，也就是基于神经元的芯片。为此，我们需要设计相应架构，将这些系统整合和集成起来。我们也需要具身载体。我的同事一直在开发神经肌肉、神经系统以及相关支架系统，并通过电信号、电化学刺激来驱动动作，同时也在进行编程。我们可以训练这些系统去完成对应、可复制的动作，经过数周训练、数月测试之后，它们能够记住自己完成过的任务。我们再通过完整的编程和训练流程，让它们执行一些有实际价值的活动。这个项目目前还有4年的研究周期，我们希望未来能够逐步把它真正做成型。
以上就是我今天大致分享的方向。在这里，我也要感谢我的团队、我的合作伙伴以及我的学生，他们完成了大部分工作。我们有很多师生协作者，他们来自世界各地。同时，我也想向大家展示两场重要会议，一场是IEEE机器人与自动化相关会议，将于2027年在西雅图举行；另一场是去年在亚特兰大召开的协会会议，我担任联席主席。也鼓励大家未来来到大会，加入ICRA。感谢大家聆听！
