Nóng: Công bố 3 bài báo xuất sắc nhất tại hội nghị robot hàng đầu RSS 2026

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

20:54:22, 20/07/2026 Nguồn: QbitAI

Vẫn là những gương mặt người Hoa chiếm ưu thế

henry nghe mưa đưa tin từ Sydney

QbitAI | Kênh chính thức QbitAI

Vừa mới đây, các giải thưởng bài báo khoa học tại hội nghị robot hàng đầu RSS 2026 đã chính thức lộ diện!

Là một trong những hội nghị quốc tế được công nhận có tầm ảnh hưởng học thuật lớn nhất trong lĩnh vực robot, các bài báo đạt giải tại RSS (Robotics: Science and Systems) luôn được xem là "phong vũ biểu" để quan sát xu hướng nghiên cứu robot, đại diện cho những bước tiến mới nhất của lĩnh vực này.

Năm nay, RSS đã nhận được tổng cộng 708 bài gửi đăng, cuối cùng chọn ra 210 bài, với tỷ lệ chấp nhận chỉ đạt 29,7%.

Sau khi 8 bài báo lọt vào danh sách chung cuộc (Final List), ba giải thưởng bài báo xuất sắc nhất đã được công bố, trong đó FlashSAC đến từ đội ngũ Hàn Quốc đã giành giải Bài báo xuất sắc nhất (Best Paper).

Trong danh sách chung cuộc còn lại, các đội ngũ và nhà nghiên cứu người Hoa đến từ Thanh Hoa AIR, Galaxy General (Yinhe Tongyong), Yingmu Technology... cũng có những màn thể hiện ấn tượng.

Tại phần Early Career Spotlight vốn nhận được nhiều sự quan tâm trước đó, các học giả người Hoa như Li Hongyang, Wenzhen Yuan... cũng đã xuất hiện và mang đến những bài thuyết trình đặc sắc.

Không để các bạn chờ lâu, chúng ta hãy cùng đi thẳng vào nội dung chính.

Ba giải thưởng lớn về bài báo khoa học đã lộ diện

Bài báo xuất sắc nhất (Best Paper): FlashSAC

Giải thưởng Bài báo xuất sắc nhất được trao cho đội ngũ liên kết từ các tổ chức như Holiday Robotics, KAIST, KRAFTON, TU Darmstadt, KTH...

Đồng tác giả chính là Donghu Kim, nhà nghiên cứu khoa học tại Holiday Robotics và Youngdo Lee, nghiên cứu sinh thạc sĩ tại KAIST.

FlashSAC mà họ đề xuất nhằm giải quyết vấn đề huấn luyện chậm và thiếu ổn định khi áp dụng học tăng cường ngoại tuyến (off-policy reinforcement learning) vào điều khiển robot có chiều cao lớn.

Ý tưởng cốt lõi của nó là giảm số lần cập nhật gradient, đồng thời mở rộng quy mô mô hình, lưu lượng dữ liệu và bộ nhớ kinh nghiệm (experience pool), đồng thời hạn chế trọng số, đặc trưng và chuẩn gradient để ngăn chặn sai số của mạng giá trị tích tụ liên tục.

Trên 10 trình mô phỏng và hơn 60 tác vụ, FlashSAC nhìn chung đã vượt qua PPO và nhiều đường cơ sở (baseline) ngoại tuyến khác.

Trực quan hơn, trong thí nghiệm Sim2Real về robot hình người đi bộ, nó đã rút ngắn thời gian huấn luyện từ vài giờ xuống còn vài phút.

Bài báo sinh viên xuất sắc nhất (Best Student Paper): Muninn

Giải thưởng Bài báo sinh viên xuất sắc nhất năm nay tại RSS được trao cho "Muninn: Your Trajectory Diffusion Model But Faster".

Công trình này đến từ đội ngũ liên kết của Đại học Illinois Urbana-Champaign (UIUC), Đại học Quốc tế Florida và Providence College.

Tác giả chính Gokul Puthumanaillam là nghiên cứu sinh tiến sĩ tại UIUC, dưới sự hướng dẫn của Melkior Ornik.

Muninn bổ sung một cơ chế bộ nhớ đệm (cache) không cần huấn luyện lại cho các mô hình khuếch tán quỹ đạo (trajectory diffusion models).

Ở mỗi bước khử nhiễu, nó ước tính độ lệch quỹ đạo có thể xảy ra khi tái sử dụng kết quả tính toán trước đó: khi rủi ro thấp, nó trực tiếp gọi bộ nhớ đệm; khi rủi ro cao, nó sẽ tính toán lại.

Trong các tác vụ như học tăng cường ngoại tuyến, lập kế hoạch chuyển động và chiến lược thị giác-vận động, Muninn đạt mức tăng tốc tối đa 4,6 lần trong khi vẫn duy trì hiệu suất tác vụ và các chỉ số an toàn ban đầu.

Nhóm nghiên cứu cũng đã xác thực phương pháp này trong các tác vụ điều hướng và thao tác vòng lặp kín trên robot thực tế.

Bài báo hệ thống xuất sắc nhất (Best Systems Paper): NeuralActuator

Giải thưởng Bài báo hệ thống xuất sắc nhất được trao cho "NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception".

Tác giả chính Zhiyang Dou là nghiên cứu sinh tiến sĩ tại MIT CSAIL, trước đó từng theo học thạc sĩ tại Đại học Hồng Kông và tốt nghiệp cử nhân tại Đại học Sơn Đông.

Công trình này nhắm vào một vấn đề then chốt của cánh tay robot giá rẻ: ma sát, độ rơ (backlash) và sự thay đổi nhiệt độ khiến mối quan hệ dòng điện - mô-men xoắn truyền thống bị sai lệch, từ đó làm gia tăng khoảng cách giữa mô phỏng và thực tế.

NeuralActuator sử dụng Transformer và mô phỏng khả vi để dự đoán đồng thời mô-men xoắn bộ truyền động, lực tiếp xúc bên ngoài, xác suất tiếp xúc và trạng thái động cơ, giúp robot có thể cảm nhận lực khi triển khai mà không cần cảm biến lực/mô-men xoắn chuyên dụng.

Nhóm nghiên cứu cũng đã công bố bộ dữ liệu NAD thu thập từ thao tác từ xa bằng hai cánh tay và hoàn thành xác thực trên ba loại cánh tay robot với mức giá từ khoảng 500 USD đến hơn 30.000 USD.

Các thí nghiệm đã chứng minh ứng dụng của nó trong mô hình hóa động lực học, cảm nhận lực không cần cảm biến, phát hiện trạng thái động cơ và điều khiển học bắt chước (imitation learning).

8 bài báo lọt vào danh sách chung cuộc (Final List)