论文导读
亚马逊、加州大学圣迭戈分校、密歇根大学等机构提出全身灵巧操作方法，让宇树G1借助手臂和躯干移动篮球、夹住纸箱，再把箱子从货架搬到桌上。在人类提供粗略运动指令的实机测试中，控制器完成率达到90%，把抱住、换手和夹到腋下串成了连续动作。
箱子挪到腋下，另一只手才能腾出来
拿一个比手掌大得多的纸箱，人通常会先用双臂抱住，再让箱子靠向胸口，最后夹到一侧腋下。支撑物体的位置一直在变。机器人若只关心夹爪落在哪里，手一松，箱子就容易掉。
这篇论文把手臂和躯干一起当作可用的接触面。展示中，G1把箱子从身前移到一侧，收拢手臂形成夹持，再带着它从货架走向桌子。篮球也能沿身体移动，过程中穿插换臂支撑。
图：上排展示球体与纸箱在躯干周围转移，下排串起货架取箱和放桌过程
人仍在给方向。操作者提供粗略运动参考，控制器把它细化成能稳住物体的动作，因此这段展示证明的是接触操作能力，不能据此写成机器人已经会独立理解任意搬家任务。
先找稳得住的姿势，再练姿势之间怎么接
团队先在仿真里搜索可能的抱持姿势。每个姿势都要检查接触是否成立、身体会不会穿进物体，并承受额外扰动；能撑住的才进入训练集合。
接下来训练的重点是转移。起点是一个稳定抱法，目标是另一个位置和抱法。左臂支撑要换到右臂时，中间得经过双臂共同接触，避免把交接简化成先松手、再抓回去。
这有点像把物体沿身体“递过去”，但每次递送都要留住支撑。目标没有规定每个关节必须摆成哪一个角度，控制器可以用滚动、滑动和短暂重排接触来完成移动。
图：流程从稳定抓持生成出发，经仿真专家训练再汇集成部署控制器
训练先从较容易学习的球体开始，再把已有经验用于其他形状。最后将不同物体专家的动作汇集到一个控制器，输入包括关节等自身状态和物体几何描述。部署时不直接读取仿真里才有的物体真实状态。
90%衡量的是整段操作有没有完成
实机比较中，论文报告新控制器完成90%的试验，直接把人的动作重定向给机器人完成18%，另一种通用全身控制器完成4%。这个90%是身体周围移动与货架任务合并的结果；单独的货架取放最后放置阶段完成7/10，并不是每类搬运都达到90%。
直接跟随人的动作会遇到一个实际困难：人知道箱子有没有滑，远程操作者却不一定得到相同的力觉信息。粗略姿态看起来相似，也可能没有夹紧。新控制器承担的正是这些局部接触修正。
图：实机分帧展示机器人把不同物体移到肩侧和腋下的动作
这组结果来自论文规定的物体、路线和操控设置。尤其要区分，训练使用了仿真专家，而90%是报告中的实机操作结果，二者并非同一份统计。
论文的训练集合也没有把所有身体部位都纳入实机策略。虽然抓取生成可以讨论腿部接触，实际专家训练保留的是手臂与躯干，腿部抓持还牵涉平衡和行走的联合学习。
从货架取箱、夹住搬运到放上桌，这项工作把连续接触调整接入了一个更长的真实动作链。最有信息量的变化，就在机器人松开一只手时，箱子仍由另一只手臂和身体支撑着。
参考资料
https://arxiv.org/abs/2610.22184
