赵行在CoRL 2026发表Early Career Keynote演讲

CoRL 2026大会期间，清华大学交叉信息研究院助理教授、星海图CTO赵行在主会场作了Early Career Keynote演讲。该演讲须经同行提名、不能自荐，授予对象是博士毕业十年内且已有实质成果的年轻研究者。

赵行回顾自己的研究路径时提到，他最早从Waymo的轮式自动驾驶切入，七年前发表了第一篇CoRL论文；之后转向有腿机器人，用数年时间教四足与人形机器人奔跑、跳跃并应对复杂地形；目前则在做带手臂的机器人。他表示，归根结底，目标是让机器人替人类完成真正的体力劳动。他还说起前一天抵达奥斯汀时，街上随处可见Waymo和Cybercab，对从自动驾驶起步的人而言感受很好——驾驶已经进入量产阶段。他随即发问：人形机器人是否也能做到？他称当天分享的答案一部分与时间有关。

演讲中他引用NVIDIA研究数据：Astra在RoboLab-120上的成功率为66%，π0.5为28%；在RoboDojo基准上，Astra得22分，π0.5仅7分。但他指出问题在于这些基准不测时间。Astra采用直接策略直接控制机器人，细看之下，每次调用基础模型需要18秒，机器人有97%的时间在等模型思考。现实中，机器人无法等待模型思考这么久。

他进一步说明，慢模型本身没有问题，关键在于与System 1结合，例如由编排策略借助小神经网络技能来处理高频控制。那么层与层之间的界限该画在何处？传统答案按功能划分，即感知、规划、控制。赵行主张另一种答案：由时钟定义层级，在时钟变化处画线。他所说的System 0/1/2，并非指思维层面的快慢，而是时间尺度上的层级划分：System 2以秒到分钟计，System 1为几十赫兹，System 0须达到几百赫兹。

他提到RoboCasa实验设置了5个测试厨房、5项任务，每项限时50秒。在不限思考时间的情况下，除编程策略为45%外，其余方法成功率都超过60%；而加入真实时钟后，直接策略和智能体策略的成功率分别跌至15%和20%。

赵行还从自动驾驶经验中总结：让快的层负责开车，让慢的层负责思考，各走各的轨道。跑酷则给了他第二课：反射必须住在快的层，且该层要独立完成从感知到动作的全部事项。他提到，2023年四足机器人从视觉学习跑酷，今年实现了全尺寸人形全身跑酷。更早的2015年，他在MIT Media Lab参与了首个自动驾驶课程Duckietown的实践项目。

内容来源于网络，如有侵犯您的权益，请联系邮箱 kefu@qiyes.com，我们将第一时间核实处理。