Conference on Robot Learning · Robotics × Machine Learning

CoRL

Conference on Robot Learning
machine learning을 robot에 “적용”하는 데서 끝나지 않고, learning이 perception·action·interaction·embodiment를 실제로 어떻게 바꾸는지를 집중적으로 다루는 selective single-track conference

CoRL을 단순히 “robotics 논문이 많이 나오는 ML conference”라고 이해하면 핵심을 놓치게 된다. CoRL는 처음부터 robotics와 machine learning 두 community를 같은 문제 위에서 만나게 하기 위해 만들어졌다. 학습 방법 자체보다, 그 방법이 robot의 sensing·decision·control·data·embodiment와 어떻게 맞물리는지가 중요하다.

2026 CFP는 CoRL을 selective, single-track international conference라고 명시한다. 또한 submission은 core robotics problem을 중심으로 해야 하며, 제안한 model·algorithm·dataset·benchmark가 robotics에 왜 의미 있는지를 보여야 한다. robotics focus가 없는 논문은 full review 없이 반환될 수 있다.

Since 2017Mountain View에서 시작한 robot-learning 전문 annual conference

Single Trackrobot learning의 서로 다른 문제를 같은 technical conversation 안에 둠

8 PagesCoRL 2026 initial submission main text · camera-ready는 9쪽 허용

PMLR + OpenReviewarchival proceedings + 공개 가능한 review ecosystem

Identity

CoRL은 “learning”보다 “robot learning”을 본다

The robotics problem must remain central

Learning method가 아니라 robot capability가 출발점

RL·imitation·foundation model·world model·self-supervision 같은 방법론은 모두 환영되지만, 논문의 중심 질문은 robot이 무엇을 더 잘 인지·학습·조작·이동·상호작용하게 되는가여야 한다. 일반 ML benchmark의 성능 향상을 robot dataset으로 보여주는 것만으로는 CoRL의 목적과 충분히 맞지 않을 수 있다.

Simulation을 허용하지만 embodiment를 잊으면 안 된다

2026 CFP는 real-robot experiment를 권장하며, simulation experiment라면 실제 robot으로 transfer될 수 있다는 설득력 있는 evidence를 요구한다. 즉, simulation 자체가 문제가 아니라 dynamics·contact·sensor·action·data collection이라는 physical reality를 어떻게 다루는지가 중요하다.

Scope

Robot learning이라는 한 축 안에서도 상당히 넓다

Learning & Decision

Reinforcement · imitation · offline RL
Model-based · model-free learning
World models · latent dynamics
Learning + planning / control
Safety · uncertainty · generalization

Perception · Data · Foundation Models

Representation learning
Multimodal · tactile · vision
VLM · VLA · language grounding
Robot datasets · benchmarks
Automatic data generation

Embodied Applications

Manipulation · dexterity
Navigation · autonomous driving
Legged · humanoid · aerial systems
Human–robot interaction
Hardware · sensors for learning

2026 CFP의
가장 중요한 기준

“Submissions should focus on a core robotics problem.” 그리고 모든 submission은 limiting assumptions·failure modes·experimental limitations를 명시한 Limitations section을 반드시 포함해야 한다. learning result가 어디까지 유효하고 어디서 깨지는지까지 연구 결과의 일부로 보는 문화다.

Embodiment

robot body, action space, contact, sensor, dynamics가 generic ML problem을 robotics problem으로 바꾼다.

Data

누가 어떻게 demonstration을 모으고, teleoperate하고, simulate하고, scale하는지가 algorithm만큼 중요하다.

Generalization

새 image가 아니라 새 object·task·scene·language·embodiment에서 행동이 유지되는지를 묻는다.

01 / 04

History & Research Culture

2017년부터 10년 — robot learning이 독립 community가 된 과정

2017

첫 CoRL이 Mountain View에서 개최. Ken Goldberg·Sergey Levine·Vincent Vanhoucke가 General Co-Chairs를 맡았고, IFRR의 조직 지원과 PMLR publication을 통해 robotics × ML의 독립 conference가 출범했다.

2018–19

Zurich → Osaka로 이어지며 빠르게 국제화된다. 2019 공식 소개는 첫 두 edition에 약 350명의 robotics·ML 연구자가 모였다고 기록한다.

2020–22

Boston → London → Auckland. deep RL·imitation·representation learning이 manipulation과 locomotion을 넘어 navigation·autonomous driving·safety·simulation으로 확장된다.

2023

Atlanta. RT-2, VoxPoser, SayPlan, language-to-reward, uncertainty-aware LLM planning 등 foundation-model 시대의 robot learning이 본격적으로 program의 중심에 들어온다.

2024

Munich · 8th edition. 공식 사이트 기준 671 submissions. humanoid whole-body learning, diffusion policy, differentiable simulation, VLM/VLA, generalist policy가 빠르게 증가했다.

2025

Seoul COEX. Humanoids 2025와 co-location. main oral program이 Manipulation · Perception · Planning/Safety/Robustness · Locomotion · Humanoid/Hardware로 나뉘며 현재 CoRL의 breadth를 잘 보여줬다.

2026

10th Conference on Robot Learning · Austin, Texas · Nov 9–12. robotics focus, Limitations section, reciprocal reviewing, Gen-AI disclosure 등 review/process 정책을 더 명시적으로 강화했다.

CoRL과 NeurIPS/ICML/ICLR의 차이는 “난이도”가 아니다

generic ML venue에서 robot이 하나의 application domain일 수 있다면, CoRL에서는 robotics constraint 자체가 learning problem을 정의하는 경우가 많다.

적은 real data, expensive interaction, embodiment shift, contact dynamics, partial observability, human supervision, safety constraint가 method design과 evaluation의 중심으로 들어오는 것이 자연스럽다.

CoRL 2026 review culture에서 눈에 띄는 점

double-blind OpenReview이며 accepted paper와 reviews는 decision 후 공개·de-anonymize된다.
accepted paper는 Proceedings of Machine Learning Research(PMLR)에 출판된다.
최소 두 명의 reviewer를 목표로 한다.
모든 submission은 qualified author 한 명을 reviewer로 지정하는 reciprocal reviewing 원칙이 있다.
한 author가 3편 이상 제출하면 원칙적으로 reviewer participation이 필요하다.
초기 점수가 일정 기준에 못 미치면 rebuttal 없이 first-round rejection 후보가 될 수 있다.

CoRL 2026 — current submission snapshot

May 28, 2026paper deadline · AoE · closed

8 pagesinitial main text · refs/appendix excluded

9 pagescamera-ready main text · new in 2026

1-page rebuttalinvited papers · factual corrections focus

Nov 9–12Austin, Texas · 10th CoRL

Single-track이 만드는
CoRL의 연구 conversation

manipulation researcher가 locomotion·driving·safe control·VLA 발표를 같은 program에서 보고, ML researcher가 robot hardware와 data-collection constraint를 반복해서 접하게 된다. 이 구조 때문에 “내 benchmark에서 이겼다”보다 서로 다른 robot-learning problems 사이에 전달되는 principle이 중요해진다.

Manipulation Perception Planning Safety & Robustness Locomotion Humanoids Hardware Navigation Autonomous Driving World Models Foundation Models Datasets & Benchmarks

01 · Submit8-page main text, double-blind, mandatory Limitations section.

02 · ReviewOpenReview 기반. 최소 2 reviewers를 목표로 하고 AC/SAC가 판단을 조정.

03 · Triageweak accept 이상 score가 전혀 없는 paper는 rebuttal 없는 1차 reject 후보가 될 수 있음.

04 · Rebuttal남은 paper는 1-page PDF rebuttal. factual error를 바로잡는 데 집중.

05 · Presentaccepted paper는 모두 poster, 일부는 oral spotlight. 최종 논문은 PMLR archival proceedings.

2026: “workshops should be
workshops again”

CoRL 2026 workshop CFP는 최근 workshop이 mini-conference처럼 연속 invited talk 중심이 된 흐름을 명시적으로 비판하고, open problem을 함께 풀고 토론하는 interactive format으로 돌아가겠다고 선언했다. speaker를 소수로 제한하고 breakout·brainstorming·live demo를 권장하며, 행사 뒤에는 whitepaper나 community report 같은 workshop artifact도 요구한다. CoRL가 단순 paper-selection venue보다 research community 형성을 중요하게 본다는 좋은 사례다.

02 / 04

How to Read and Write a CoRL Paper

무엇이 “CoRL다운 논문”을 만드는가

CoRL다운 paper는 최신 ML method를 robot benchmark에 적용한 논문보다, robot learning의 병목 때문에 새로운 learning formulation·data strategy·representation·evaluation이 필요해진 논문에 가깝다.

learning은 목적이 아니라 robot capability를 만드는 수단이다. 결국 좋은 CoRL paper는 “이 model이 새롭다”와 함께 “이 robot problem은 이제 이전과 다르게 풀린다”를 보여줘야 한다.

Problem

새 architecture를 robotics dataset에서 평가

robot의 interaction·embodiment·data·safety 병목이 learning problem을 정의

Generalization

held-out validation/test distribution

new task · object · scene · instruction · user · embodiment · dynamics로 확장

Data

dataset이 주어진 뒤 model design을 최적화

어떤 data를 어떻게 모으고 재사용·합성·teleoperate할지 자체가 contribution

Evaluation

offline metric과 benchmark leaderboard

task success · real interaction · transfer · failure · intervention까지 robotics consequence 측정

Simulation

simulation result 자체가 충분한 algorithm test

physical robot에 왜 옮겨갈지 또는 어떤 reality gap을 다루는지 설득

Limitations

discussion 마지막에 간략히 기술

2026 기준 mandatory section — limiting assumption과 failure mode를 명시적으로 연구 결과에 포함

ML applied to robotics

“최신 transformer backbone을 robot dataset에 적용해 기존 model 대비 평균 accuracy를 개선했다.”

결과가 좋아도 robot action, data collection, embodiment, downstream task와 연결되지 않으면 왜 CoRL에서 다뤄야 하는지가 약해질 수 있다.

CoRL-shaped

“real robot data가 적고 task가 계속 바뀌는 문제를 해결하기 위해 representation/data/policy를 새롭게 설계하고, unseen task와 physical execution에서 generalization을 검증한다.”

RT-2, R3M, DayDreamer, ReSkin처럼 learning contribution이 robot system의 data regime·sensor·action과 직접 맞물리는 사례가 좋은 예다.

What students should learn

“robotics focus”를 introduction 첫 문단에서 증명한다

method를 먼저 소개하지 말고, 어떤 physical/interactive constraint 때문에 기존 learning approach가 부족한지 보여준다.

Data engine을 method의 부록처럼 다루지 않는다

demonstration source, teleoperation, synthetic data, replay, pretraining corpus가 policy behavior를 결정한다. 데이터 설계도 contribution일 수 있다.

Real robot이 어렵다면 transferability를 더 엄격하게 설명한다

simulation-only result는 dynamics·sensor·contact·latency 차이를 왜 견딜지 evidence가 필요하다. “나중에 real에서 해보겠다”는 충분하지 않다.

Generalization claim의 축을 정확히 쓴다

새 object인지, 새 language인지, 새 task인지, 새 embodiment인지 구분하지 않으면 “generalist”라는 말이 너무 쉽게 커진다.

Limitations section을 방어적으로 쓰지 않는다

failure mode와 limiting assumption을 정확히 쓰면 후속 연구의 benchmark가 된다. CoRL 2026이 이를 mandatory로 만든 이유와도 맞닿아 있다.

Test 1 · Robotics Relevance

robot이 아니어도 동일하게 성립하는 문제인가? 그렇다면 CoRL에서 왜 필요한지 더 강한 연결이 필요하다.

Test 2 · Physical Transfer

simulation에서만 보인 효과가 sensor·contact·latency·dynamics가 달라져도 남을 이유가 설명되는가?

Test 3 · Generalization Axis

“generalization”이 task·object·scene·language·user·embodiment 중 정확히 무엇을 뜻하는지 실험과 문장이 일치하는가?

가장 간결하게 말하면, CoRL은 “learning algorithm을 위한 robotics benchmark”보다 “robotics가 learning에게 던지는 어려운 질문”을 모으는 conference에 가깝다.

그래서 robot foundation model처럼 scale이 큰 연구와 ReSkin 같은 tactile hardware, Lyapunov-barrier safety, deformable-object benchmark, quadruped locomotion이 같은 venue 안에서 자연스럽게 공존한다.

03 / 04

CoRL

CoRL은 “learning”보다 “robot learning”을 본다

Learning method가 아니라 robot capability가 출발점

Simulation을 허용하지만 embodiment를 잊으면 안 된다

Robot learning이라는 한 축 안에서도 상당히 넓다

Learning & Decision

Perception · Data · Foundation Models

Embodied Applications

Embodiment

Data

Generalization

2017년부터 10년 — robot learning이 독립 community가 된 과정

CoRL과 NeurIPS/ICML/ICLR의 차이는 “난이도”가 아니다

CoRL 2026 review culture에서 눈에 띄는 점

무엇이 “CoRL다운 논문”을 만드는가

“robotics focus”를 introduction 첫 문단에서 증명한다

Data engine을 method의 부록처럼 다루지 않는다

Real robot이 어렵다면 transferability를 더 엄격하게 설명한다

Generalization claim의 축을 정확히 쓴다

Limitations section을 방어적으로 쓰지 않는다

Test 1 · Robotics Relevance

Test 2 · Physical Transfer

Test 3 · Generalization Axis

대표 논문으로 보는 CoRL의 robot-learning 스펙트럼