RSS 2026最佳论文FlashSAC：单张显卡把人形机器人行走训练从数小时压缩到20分钟
由Holiday Robotics、韩国KAIST、KRAFTON、德国达姆施塔特工业大学、瑞典KTH等机构研究人员完成的离策略强化学习方法FlashSAC，获得2026年7月在悉尼举行的RSS 2026杰出论文奖。作者称在单张RTX 5090上训练宇树G1平地行走策略约需20分钟，而主流方法PPO约需3小时。
据RSS官网获奖页面，离策略强化学习方法FlashSAC获得机器人学会议Robotics: Science and Systems（RSS）2026杰出论文奖。本届会议于2026年7月13日至17日在澳大利亚悉尼举行。论文作者称，该方法训练人形机器人行走控制器的速度约为业界主流方法的十倍，且只需一张消费级显卡。
研究团队
13位作者分别来自Holiday Robotics、韩国科学技术院（KAIST）、KRAFTON、Turing Inc、德国达姆施塔特工业大学、hessian.AI、瑞典皇家理工学院（KTH）、德国人工智能研究中心（DFKI）和德国机器人研究所（RIG）。资深作者包括达姆施塔特工业大学的Jan Peters、KTH的Danica Kragic、KAIST的Jaegul Choo以及Hojoon Lee。论文于2026年4月以arXiv预印本（2604.04539）形式首发，代码发布在GitHub的Holiday-Robot组织下。
关键数据
作者报告，在29自由度的宇树G1人形机器人上，FlashSAC学会平地行走约需20分钟训练，而在机器人运动控制中占主导地位的同策略算法PPO约需3小时。复杂地形和爬楼梯任务中，FlashSAC约需4小时，PPO约需20小时。所有时间均在单张英伟达RTX 5090上测得，训练出的策略随后从仿真迁移到实体机器人。
在IsaacLab、MuJoCo Playground、ManiSkill和Genesis四个GPU仿真器的25项任务中，FlashSAC在15项低维任务上与PPO相当，在包括灵巧操作和人形行走在内的10项高维任务上明显领先，所用仿真步数为5000万步，PPO为2亿步。在DeepMind Control Suite、MyoSuite、HumanoidBench等基于CPU的40项任务中，作者称其在不做任务专门调参的情况下持续超过PPO、XQC、SimbaV2、TD-MPC2和MR.Q。项目页面显示，验证共覆盖10个仿真器、60余项任务。
方法解析
机器人强化学习大致分两类。PPO等同策略方法每次更新后丢弃经验，浪费但稳定。SAC等离策略方法把经验存入回放缓冲区反复利用，理论上更高效，但在关节众多的机器人上容易失稳。FlashSAC保留SAC的数据复用优势，同时解决了稳定性问题。
具体做法有两点。一是像大语言模型那样扩大规模：1024个并行仿真环境，回放缓冲区由常见的100万条扩大到1000万条，网络为6层、250万参数，批量2048，更新频率极低，每1024步数据只做2次梯度更新。二是通过多层归一化约束权重、特征和梯度的幅度，防止训练滑入不稳定区域。固定的探索目标和重复噪声机制，则让仿真机器人尝试更长、更平滑的动作。
竞争格局
由于结果可预期，PPO一直是多数人形机器人企业仿真到真机行走训练的默认选择。TD-MPC2、SimbaV2、MR.Q等更快的替代方案在基准测试中有所斩获，但在完整人形机器人上落地的案例很少。FlashSAC的卖点是在真实硬件上弥合了这一差距。所用仿真器之一英伟达IsaacLab是人形机器人企业最常用的训练环境，因此可直接接入现有流程。
对中国产业的意义
实验平台选用宇树G1，再次印证宇树在全球研究界的标准平台地位。宇树已于2026年8月在上交所科创板上市，其整机在海外实验室的普及度正转化为生态影响力。对国内整机厂而言，训练时间就是工程时间：一天才能训完的行走控制器缩短到20分钟，意味着每周可测试的设计、奖励函数和硬件改动大幅增加。只需一张显卡而非集群，也降低了初创公司和高校团队的门槛。该算法在国产算力上的表现仍有待验证。
风险与疑问
数据为作者自测，且标注为近似值。训练时间对比取决于PPO的调参质量，两种方法的步数预算也不同。真机验证仅限宇树G1一个平台和行走任务。在接触密集的真实操作任务中提速能否保持，尚未得到证明。
ROBOTNESS 分析
FlashSAC是迄今为止离策略强化学习可取代PPO成为机器人本体训练行业默认方法的最有力证据，它把竞争优势从算力预算转向迭代速度。
证据包括：真机平地行走训练时间缩短约九成，复杂地形缩短约八成；优势集中在高维任务；无需逐任务调参即覆盖60余项任务；并获得该领域最严格会议奖项的认可。
最有力的反驳是，PPO的吸引力从来不只是速度，而是可预期性。叠加多种归一化技巧的离策略方法，在更换机器人、奖励或仿真器时可能表现脆弱。
乐观情形：代码已开源，人形机器人和灵巧手厂商数月内即可替换使用，开发周期缩短、GPU开支下降。离策略学习进一步延伸到真机微调，在数据最昂贵的环节发挥作用。
悲观情形：复现显示在PPO充分调参后优势缩小，该方法停留在学术热点，企业量产控制器仍用PPO。真实操作任务结果不及仿真。
值得关注的信号：
- CoRL 2026等场合在其他人形机器人上的独立复现结果
- FlashSAC是否被纳入IsaacLab或MuJoCo Playground官方示例
- 2026年至2027年初是否有国内外整机厂在技术报告中采用FlashSAC
- 平地行走
- 20
- 180
- 9
- 复杂地形与楼梯
- 240
- 1200
- 5
作者报告的近似训练时间（约20分钟对约3小时，约4小时对约20小时）。倍数 = PPO时间 / FlashSAC时间。GPU仿真基准中FlashSAC用5000万步，PPO用2亿步。
截至 2026年10月1日
- RSS 2026杰出论文奖
- 2026年7月13日至17日，悉尼
- arXiv 2604.04539（2026年4月）
- 宇树G1，29自由度
- 约20分钟（PPO约3小时）
- 约4小时（PPO约20小时）
- 单张英伟达RTX 5090
- 10个仿真器，60余项任务
- GitHub开源（Holiday-Robot/FlashSAC）
为何重要
当前量产人形机器人的行走控制器大多在大规模并行仿真中用PPO训练。这是为稳定性而非效率做出的选择，并决定了企业的GPU预算和工程排期。FlashSAC以开源代码证明，一种复用数据的方法在完整人形机器人上可以既快又稳，动摇了这一前提。
获奖本身也是信号。RSS今年只评出一篇杰出论文，并选择了训练算法论文而非硬件或系统论文，表明学界把机器人本体训练效率视为核心瓶颈。
竞争对手分析
在强化学习内部，FlashSAC的对手是SimbaV2、XQC、TD-MPC2、MR.Q以及GPU仿真器中的PPO。TD-MPC2等基于模型的方法以更高的单步算力换取样本效率，FlashSAC则押注低成本的大批量更新。
在产业层面，快速强化学习的替代路线是示范数据学习和大型VLA。两者互补：VLA负责任务理解，强化学习控制器负责平衡和接触。能把两者结合的企业，比单纯依赖遥操作数据的企业更具优势。国内不少整机厂正大规模采集遥操作数据，训练效率的提升会改变数据与算法投入的配比。
估值背景
FlashSAC本身没有直接标价，其经济价值体现在成本上。复杂地形训练从约20小时GPU时间降到约4小时，同样硬件可多跑约5倍实验。
对投资者而言，依靠算力规模训练运动控制的企业护城河被削弱，工程能力强的小团队受益。游戏公司KRAFTON出现在作者单位中，也说明非机器人领域的资本正在进入具身智能研究。
供应链影响
该方法运行在单张消费级RTX 5090以及IsaacLab、MuJoCo Playground、ManiSkill、Genesis等通用仿真器上。对英伟达的依赖不变，但需求可能从数据中心集群转向工作站。
机器人端，低成本、普及度高的宇树G1成为验证平台，强化了宇树作为全球研究标准机型的地位，也有利于其关节电机和整机供应链。高维灵巧手训练加速，可能带动此前受制于控制复杂度的灵巧手需求，国内灵巧手厂商可从中受益。
后续看点
关注CoRL 2026及arXiv上的独立复现，尤其是真实灵巧手操作结果。若英伟达或MuJoCo团队把FlashSAC纳入官方示例，它将成为事实上的默认选项。
同时关注托管代码的Holiday Robotics是否发布产品或融资消息，KAIST和KRAFTON的后续研究，以及国内整机厂和高校是否在国产GPU上复现该方法。
分析师观点
核心判断：FlashSAC有望在一年内成为机器人强化学习的标准基线，并可能在部分高维本体的量产流程中取代PPO。置信度：中。
置信度为中，是因为提速数据为作者自测的近似值，真机验证只覆盖一款人形机器人的行走任务。开源代码、60余项任务的广泛验证以及RSS评审委员会的认可，支撑了这一判断。
值得追问的问题
迁移到新机器人时，FlashSAC对众多归一化设计有多敏感？在相同步数预算、精细调参的PPO面前，速度优势是否仍在？
该方法能否用于每个样本都很昂贵的真机微调？在真实灵巧手而非仿真中表现如何？在国产GPU上能否获得相近的训练速度？