HUSKY: Humanoid Skateboarding System via Physics-Aware Whole-Body Control
Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信）；The University of Hong Kong（香港大学）；University of Science and Technology of China（中国科学技术大学）；ShanghaiTech University（上海科技大学）
本文提出HUSKY框架，通过整合人形滑雪板系统建模和物理感知的全身控制，解决高动态和复杂交互任务中的稳定动态操控问题，实现在实际场景中稳定灵活的滑雪板操作。
2026-05-21 cs.RO
Quadruped Capturability and Push Recovery via a Switched-Systems Characterization of Dynamic Balance
Southern University of Science and Technology（南方科技大学）；University of Notre Dame（圣母大学）
本文研究四足机器人运动的捕获性和推力恢复。尽管关于足式机器人的可捕获性分析和推动恢复控制的文献丰富，但现有的工具主要是为两足动物或类人动物开发的。独特的四足特征，如点接触和多摆动腿，防止直接应用这些方法。为了解决这个差距，我们提出了一个切换系统模型的四足动力学，并实例化的抽象可行性概念四足运动与基于时间的步态。捕获的特点是通过一个新的规范的动态平衡状态，解决了四足运动和平衡的时变性质。一个线性倒立摆（LIP）模型被采用来证明理论和显示如何新开发的四足捕获能力可以用于运动规划四足推动恢复。我们制定和解决一个明确的模型预测控制（EMPC）问题，其最优解充分表征四足动物的捕获能力与LIP。基于此分析，设计了一种基于优化的规划方案，用于在推恢复期间确定脚步和质心参考。为了验证整个框架的有效性，我们进行了大量的仿真和硬件实验。仿真结果表明，考虑动态平衡的四足机器人的捕获能力的必要性，和显着改善的干扰抑制与所提出的策略。对迷你猎豹四足动物的复制品进行的实验验证表明，与最先进的技术相比，其性能提高了100%。
2022-02-17 cs.RO
Unified Multi-Contact Fall Mitigation Planning for Humanoids via Contact Transition Tree Optimization
Duke University（杜克大学）
本文提出了一种多接触的方法，广义的人形跌倒缓解规划，统一惯性塑造，保护性的步伐，和手接触的战略。规划器优化接触序列和机器人状态轨迹。进行高级树搜索以迭代地生长联系人转换树。在树的每个边缘，轨迹优化用于计算机器人稳定轨迹，该轨迹产生期望的接触过渡，同时最小化动能。此外，在树的每个节点，优化器试图找到一个自运动（惯性成形运动），以消除动能。本文还提出了一种快速有效的初始种子生成方法，以利于轨迹优化。实验表明，我们提出的算法可以产生复杂的稳定策略的模拟机器人在不同的初始推力和环境形状。
2018-10-14 cs.RO
Discrete time model predictive control for humanoid walking with step adjustment
Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（印度科学学院罗伯特·博世网络物理系统中心）；Computer Science and Automation, Indian Institute of Science（印度科学学院计算机科学与自动化系）
本文提出一种分层离散时间模型预测控制方法，结合线性倒立摆模型与任务空间控制器实现在线脚步调整，仿真验证其稳定行走和抗推力扰动能力。
2024-10-18 cs.RO
Online Non-linear Centroidal MPC for Humanoid Robot Locomotion with Step Adjustment
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）；University of Manchester（曼彻斯特大学）
本文提出了一种用于人形机器人运动的具有在线步距调整能力的非线性模型预测控制器。所提出的控制器考虑系统的重心动力学来计算所需的接触力和扭矩以及接触位置。从基于简化模型的双足步行架构，所提出的方法考虑了减少质心模型，从而使机器人执行高度动态运动，同时保持控制问题仍然在线治疗。我们表明，所提出的控制器可以自动调整接触位置在单，双支持阶段。然后，测试的整体方法与模拟单腿和双腿系统执行跳跃和运行任务，分别。最后，我们验证了所提出的控制器上的位置控制的人形机器人iCub。结果表明，该策略可以防止机器人跌倒，而步行和推动外力高达40牛顿1秒施加在机器人手臂。
2022-03-10 cs.RO
The NING Humanoid: The Concurrent Design and Development of a Dynamic and Agile Platform
the Hong Kong University of Science and Technology（香港科技大学）；Noetix Robotics company（诺蒂克斯机器人公司）
本文提出NING人形机器人，通过高扭矩执行器、质心动量动力学协同设计与全身模型预测控制，实现行走、推挤恢复和爬楼梯等敏捷运动能力。
2024-08-02 cs.RO
Dynamic Walking on Highly Underactuated Point Foot Humanoids: Closing the Loop between HZD and HLIP
California Institute of Technology（加州理工学院）
针对点足人形机器人高欠驱动等行走难题，提出HZD与HLIP闭环的控制框架，离线生成步态并在线稳定，经ADAM机器人仿真与实验验证，实现首例点足行走且具备多种鲁棒性。
2024-06-19 cs.RO
Push recovery with stepping strategy based on time-projection control
EPFL（洛桑联邦理工学院）
在本文中，我们提出了一个简单的控制框架与动态步进性能的在线推送恢复。由于我们的机器人腿相对较重，我们需要考虑摆动动力学，因此使用一个称为3LP的线性模型，该模型由三个关节组成，以模拟摆动和躯干动力学。基于3LP方程，我们制定离散LQR控制器，并使用一个特定的时间投影方法来调整下一个足迹的位置在线连续的运动过程中。这种基于骨盆和摆动脚跟踪误差的调整自然会考虑摆动动力学。建议的调整被添加到笛卡尔3LP步态，并通过逆运动学转换为关节空间轨迹。固定和自适应的脚抬起策略也确保了在扰动的步行条件下有足够的离地间隙。所提出的结构是鲁棒的，但使用非常简单的状态估计和基本的位置跟踪。我们依靠物理串联弹性致动器来吸收冲击，同时引入简单的法律来补偿其跟踪偏差。大量的实验证明了不同的控制块的功能，并证明了时间投影在极端推恢复场景的有效性。我们还显示自产和紧急行走步态时，机器人受到持续的拖曳力。这些步态的特点是动态步行鲁棒性，由于相对柔软的弹簧在脚踝和避免任何零力矩点（ZMP）控制，在我们提出的架构。
2018-01-07 cs.RO
ADAPT: Analytical Disturbance-Aware Policy Training for Humanoid Locomotion
MARS Lab, Nanyang Technological University（南洋理工大学MARS实验室）
提出ADAPT框架，通过解析全身干扰观测器在线估计外力/力矩，无需传感器，提升人形机器人在干扰下的运动精度与鲁棒性。
2026-06-16 cs.RO
Robust Push Recovery on Bipedal Robots: Leveraging Multi-Domain Hybrid Systems with Reduced-Order Model Predictive Control
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
本文提出一种将双足运动的混合系统模型与降阶模型预测控制相统一的框架，用于实现双足机器人运动中的鲁棒推力恢复，在仿真中验证了其在动态环境下的稳定性和实时可行性。
2025-04-25 cs.RO
HANDOFF: Humanoid Agentic Task-Space Whole-Body Control via Distilled Complementary Teachers
California Institute of Technology（加州理工学院）；The Institute for Human & Machine Cognition（人机认知研究院）
提出HANDOFF框架，通过多教师KL蒸馏和上下文门控机制，将全身运动跟踪、行走和跌倒恢复三个专家策略融合为混合专家学生策略，实现基于紧凑显式接口的全身控制，在Unitree G1上达到先进的速度跟踪性能并扩展了操作工作空间。
2026-09-30 cs.AI cs.LG cs.RO
Predictive Whole-Body Control of Humanoid Robot Locomotion
Fondazione Istituto Italiano di Tecnologia（意大利技术研究院基金会）；Università di Genova（热那亚大学）
人形机器人是具有拟人化形状的机器。尽管对这个问题进行了数十年的研究，但从算法的角度来解决机器人运动问题仍然具有挑战性。例如，这些机器在不利用与环境的接触的情况下无法实现恒定的向前身体运动。由接触产生的反作用力受到很强的限制，使控制律的设计复杂化。因此，产生的人形运动需要充分利用的数学模型的机器人与环境接触或诉诸approximatesofit.This论文研究预测和最优控制技术，解决人形机器人的运动任务。它们从系统模型和目标中生成控制输入值，通常将其转换为成本函数以最小化。特别是，这篇论文解决了几个方面的人形机器人运动问题的复杂性渐增。首先，我们考虑单步的推恢复问题。也就是说，我们的目标是在强烈的外部干扰后保持直立的姿势。其次，我们生成并稳定行走运动。此外，我们采用预测技术来执行更多的动态运动，如大的步进。上述应用利用不同的简化或假设来促进对应运动任务的易处理性。此外，他们首先考虑脚的位置，然后才考虑如何保持平衡。我们试图消除所有这些简化。[续]
2020-04-16 cs.RO
Hierarchical Reduced-Order Model Predictive Control for Robust Locomotion on Humanoid Robots
California Institute of Technology（加州理工学院）
针对人形机器人真实环境鲁棒行走需求，提出基于降阶模型的分层控制框架，结合ALIP步间动力学优化与扩展SRB-MPC，经Unitree G1实验验证，推力恢复率提升36%，可适应多种复杂地形。
2025-09-05 cs.RO
Push Recovery of a Position-Controlled Humanoid Robot Based on Capture Point Feedback Control
University of Tehran（德黑兰大学）
本文采用踝关节和髋关节相结合的策略对一个位置控制的人形机器人进行了推力恢复。踝关节策略和髋关节策略分别相当于压力中心（CoP）和质心力矩枢轴（CMP）调节。为了控制CMP和CoP，我们需要扭矩控制机器人，然而大多数传统的人形机器人是位置控制的。在这方面，我们提出了一个有效的方式来实现的髋关节和踝关节的位置控制的人形机器人的战略。我们采用反馈控制器来补偿捕获点误差。使用我们的计划，一个简单而实用的推动恢复控制器的设计，可以实现在大多数传统的人形机器人，而不需要扭矩传感器。通过SURENA-Mini人形机器人在剧烈推力下的推力恢复实验，验证了该方法的有效性。
2017-10-29 cs.RO
HWC-Loco: A Hierarchical Whole-Body Control Approach to Robust Humanoid Locomotion
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Harbin Institute of Technology（哈尔滨工业大学）；DexForce Technology（DexForce科技）；Southeast University（东南大学）
针对人形机器人控制模型在环境差异下鲁棒性不足、安全与任务完成度难平衡的问题，提出分层全身控制算法HWC-Loco，通过鲁棒优化与分层策略动态权衡安全与任务，在多场景实验中性能优于现有先进模型。
2025-05-18 cs.RO
iGPC: Generative Motion Priors for Object-Aware Humanoid Interaction
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）；Minerva Humanoids, Inc.（Minerva Humanoids公司）
本文提出iGPC框架，将生成式预训练控制器从一般运动扩展到人形-环境交互，通过交互专家和感知驱动学生模型蒸馏技能，实验证明大规模人体运动先验能有效支持现实环境中的可部署人形交互策略。
2026-10-14 cs.RO
Reduced-Order Model Guided Contact-Implicit Model Predictive Control for Humanoid Locomotion
California Institute of Technology（加州理工学院）
针对人形机器人高维混合动力学控制难题，提出结合HLIP降阶模型与CI-MPC的控制框架，在24自由度机器人Achilles仿真中实现多种复杂运动能力，且支持50Hz实时运行。
2025-02-21 cs.RO
OIL: An Object Interaction Layer for Humanoid Whole-Body Control
Oregon State University（俄勒冈州立大学）；Collaborative Robotics and Intelligent Systems Institute (CoRIS)（协作机器人与智能系统研究所（CoRIS））
该研究提出OIL物体交互层，扩展人形机器人全身控制的运动学命令接口，实现单策略执行多种非抓取交互，在仿真中性能优于机器人中心控制器，且可零样本泛化并完成仿真到现实迁移。
2026-10-14 cs.RO
Talk, Render, Act: Integrating Social Gesture and Digital Face with Synchronized Speech for Conversational Humanoid Robot
United Arab Emirates University (UAEU)（阿联酋大学）
针对人形机器人交互中语音、面部和手势不协调的问题，提出TRABot框架，通过语义运动原子和组合规划器实现同步，实验证明其在自然性、表现力和多模态连贯性上最优。
2026-10-12 cs.RO
I-BFM: Reward-Conditioned Robust Humanoid Interaction via Unsupervised Reinforcement Learning
Tongji University（同济大学）；Tsinghua University（清华大学）；Zhejiang University（浙江大学）；RoboParty Lab（RoboParty实验室）；Harbin Institute of Technology（哈尔滨工业大学）；ShanghaiTech University（上海科技大学）
I-BFM首次将行为基础模型扩展至人形物体交互，通过无监督强化学习学习共享表征，单策略实现搬运、推、踢及任务链，并在跌倒后保持高成功率。
2026-10-06 cs.RO
Athena-WBC: Capability-Aligned Policy Experts for Long-Tail Humanoid Whole-Body Control
XPENG ROBOTICS（XPENG机器人）
研究发现仅靠重新分配训练精力改进人形运动跟踪控制器不完整。提出Athena-WBC，含能力对齐策略专家，动态专家用特定目标，平衡专家用重力课程，经蒸馏和微调，提升长尾运动恢复及跟踪性能。
2026-08-25 cs.RO
Thermal Recovery of Multi-Limbed Robots with Electric Actuators
University of Texas at Austin（得克萨斯大学奥斯汀分校）；NASA Johnson Space Center（美国国家航空航天局约翰逊航天中心）
针对人形机器人的热最小化配置问题，研究了如何使其执行器从不安全的热状态中恢复过来。一阶，数据驱动，努力为基础，热模型的机器人的执行器设计，这是用来预测未来的热状态。鉴于这种预测能力，配置和未来的温度之间的映射制定，以找到什么配置，有效的接触约束，现在可以采取最小化未来的热状态。有效地，这种方法是一个接触约束的热逆运动学（IK）过程的实现。在NASA Valkyrie机器人硬件上进行了实验验证。
2019-05-21 cs.RO
Perceptive Variable-Timing Footstep Planning for Humanoid Locomotion on Disconnected Footholds
Mechanical and Aerospace Engineering, The Ohio State University（机械与航空航天工程，俄亥俄州立大学）
本研究提出了一种基于感知的混合整数模型预测控制框架，用于人类oid在断开脚踏板上的运动规划，通过动态调整步长和时间，提高行走的稳定性和鲁棒性。
2026-10-20 cs.RO
VisualMimic: Visual Humanoid Loco-Manipulation via Motion Tracking and Generation
Stanford University（斯坦福大学）
针对非结构化环境中类人机器人移动操作的感知与控制整合难题，提出VisualMimic框架，结合第一视角视觉与分层全身控制，实现模拟到现实的零样本迁移，完成多任务并泛化至户外环境。
2025-11-13 cs.CV cs.LG cs.RO
Enhancing Model-Based Step Adaptation for Push Recovery through Reinforcement Learning of Step Timing and Region
Automation and Control Institute, TU Wien（维也纳工业大学自动化与控制研究所）；Autonomous Systems Lab, TU Wien（维也纳工业大学自主系统实验室）；Institute of Robotics and Mechatronics (DLR), German Aerospace Center（德国航空航天中心机器人与机电一体化研究所（DLR））
本文提出利用强化学习动态调整双足机器人的落脚点区域和步态时机，以扩大可恢复扰动范围，并通过QP规划轨迹和全身控制实现鲁棒推挤恢复。
2024-11-01 cs.RO cs.SY eess.SY
Online DCM Trajectory Generation for Push Recovery of Torque-Controlled Humanoid Robots
Italian Institute of Technology（意大利理工学院）；University of Genoa（热那亚大学）
我们提出了一种计算效率高的方法，用于在线规划双足步行轨迹与推动恢复。特别是，所提出的方法适合的控制架构，其中发散分量的运动（DCM）是事先计划，并增加了一个步骤适配器，以调整计划的轨迹，实现推动恢复。假设机器人处于单支撑状态，步骤适配器为下一步骤生成新的位置和定时。步进适配器仅在单支撑阶段是活动的，但是所提出的扭矩控制架构也考虑双支撑阶段。步长适配器设计的关键思想是使用时变ZMP轨迹的指数插值来施加初始和最终DCM步长值。这允许我们将推恢复问题转换为二次规划（QP）问题，并使用最先进的优化器在线求解。整体方法进行了验证与扭矩控制的33公斤人形机器人iCub的模拟。实验结果表明，该策略能有效地防止人形机器人在以0.28 m/s的速度行走时摔倒，并能在150 N的外力作用下保持0.05 s。
2019-10-14 cs.RO
Robust Fall Recovery for Armless Bipedal-Wheeled Robots Via Force-Guided Learning
Beijing Institute of Technology（北京理工大学）
针对无臂双轮足机器人无法借助外部支撑恢复站立的问题，提出力引导教师-学生框架FTSR，通过约束强化学习逐步减少外力依赖，实现从摔倒到稳定行走的鲁棒恢复。
2026-06-15 cs.AI cs.RO
Contact-Constrained Lower-Limb Joint-Offset Calibration for Humanoid Robots
提出仅用机载关节编码器与骨盆IMU的自包含校准框架，通过非线性最小二乘求解12维偏移向量，校准后A3、A2脚高均方根残差显著降低，可实现人形机器人下肢接触约束的关节偏移校准。
2026-09-21 cs.RO
ExoRecovery: Push Recovery with a Lower-Limb Exoskeleton based on Stepping Strategy
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）
本文提出ExoRecovery框架，通过在线优化步态时长与位置并结合外推质心动力学，实现下肢外骨骼在外部推力下的全向协作式迈步恢复，并经人体实验验证其有效性。
2023-10-31 cs.RO cs.SY eess.SY
A Robust Biped Locomotion Based on Linear-Quadratic-Gaussian Controller and Divergent Component of Motion
IEETA / DETI University of Aveiro（阿威罗大学 IEETA / DETI）
由于人形机器人的高自由度和不稳定性，使其在存在干扰的情况下产生鲁棒运动是困难的。在本文中，我们使用发散运动分量~（DCM）的概念，并提出了一种基于线性二次高斯的最优闭环控制器，以产生一个鲁棒的和稳定的人形机器人的步行。机器人的动力学模型采用线性倒立摆模型（LIPM）。此外，我们提出了一个控制器来调整摆动腿的着陆位置，以增加承受水平的机器人对严重的外部推动。使用~ \mbox{MATLAB}进行一组仿真，分析和验证所提出的控制器的性能和鲁棒性。仿真结果表明，所提出的控制器是能够提供一个强大的步行，即使在干扰的存在和具有挑战性的情况。
2019-06-21 cs.RO
Torque-Controlled Stepping-Strategy Push Recovery: Design and Implementation on the iCub Humanoid Robot
Istituto Italiano di Tecnologia（意大利理工学院）
机器人社区面临的挑战之一是部署能够在现实世界中与人类一起可靠操作的机器人。对足式机器人的一个关键要求是能够正确地平衡它们的脚，拒绝外部干扰。iCub是一种最先进的人形机器人，最近才开始用脚保持平衡。虽然目前的平衡控制器已被证明在各种情况下是成功的，但它仍然无法通过采取步骤对强推力做出适当反应。本文就是朝这个方向发展的。它提出并实现了基于捕获点概念的控制策略[1]。而不是依赖于位置控制，像大多数捕获点相关的方法，所提出的策略产生的参考动量为基础的扭矩控制器已经实施的iCub，从而扩展其能力，以应对外部干扰，同时保留扭矩控制的优势时，与环境相互作用。在凉亭模拟器和iCub人形机器人上的实验验证了所提出的策略。
2017-05-30 cs.RO
Study of Humanoid Push Recovery Based on Experiments
Robotics and AI Lab, IIIT Allahabad（阿拉哈巴德印度信息技术学院机器人与人工智能实验室）；IIIT Allahabad（阿拉哈巴德印度信息技术学院）
人类在一定程度上可以从Push up中进行协商和恢复。推动恢复能力随着年龄的增长而增长（儿童的推动恢复能力比成人差），并且它是基于学习。例如，摔跤运动员比普通人有更好的推压恢复，然而，我们不知道反应性推压恢复的机制。我们试图通过几个实验来了解人类的学习机制。实验的受试者被选为右撇子和左撇子。从后面诱导推，闭上眼睛观察运动动作，以及睁开眼睛观察基于学习的反应性行为。重要的观察表明，左撇子和右撇子的人谈判推动不同（相反的方式）。本研究描述了一些细节的实验和分析的结果，主要是从关节角度的变化（包括踝关节和髋关节）作为扰动的表现。在通过高阶多项式平滑捕获的数据后，我们将它们馈送到我们的模型中，该模型是利用倒立摆的物理特性开发的，并将其配置为我们实验室中Webot仿真框架中的主题代表。在每种情况下，模型也可以从相同范围的扰动的推动恢复，这证明了模型的正确性。因此，该模型现在可以提供更大的洞察力，推动恢复机制，并可用于确定推动恢复策略的人形机器人。本文认为，推送恢复是软件工程问题，而不是硬件问题。
2014-05-18 cs.RO
Comparison Study of Well-Known Inverted Pendulum Models for Balance Recovery in Humanoid Robot
IEETA（电子与信息工程研究院）；University of Aveiro（阿威罗大学）
双足机器人由于其复杂的运动学和高维的状态空间动力学而基本上是不稳定的，因此稳定行走的控制和生成是一个复杂的课题，并且仍然是机器人界的活跃课题之一。如今，有许多类人机器人执行稳定的行走，但很少有在推动下表现出有效的推动恢复。在本文中，我们首先回顾了更常用的抽象动力学模型的人形机器人，这是基于倒立摆，并显示这些模型可以用来提供行走的人形机器人，以及如何分层控制结构可以淡化人形行走的复杂性。其次，审查模型一起比较，不仅在分析的方式，但也通过执行几个数值模拟中的推恢复的情况下，使用\mbox{MATLAB}。这些理论和模拟研究定量比较这些模型恢复平衡。结果表明，增强版的线性倒立摆加飞轮是最有能力的动力学模型，以恢复稳定的机器人，即使在非常具有挑战性的情况下。
2019-06-05 cs.RO
HULK: Learning Whole-Body Forceful Loco-Manipulation for Humanoids
University of Michigan（密歇根大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Amazon（亚马逊）；California Institute of Technology（加州理工学院）
针对人形机器人搬运重物时的全身强力交互难题，提出HULK框架，结合MPC引导强化学习与捕获点控制障碍函数训练双教师策略并蒸馏为单一策略，显著降低跟踪误差和DCM偏移，并在仿真和Unitree G1上验证了有效性。
2026-10-08 cs.LG cs.RO
UniReLo: Learning a Unified Humanoid Policy from Fall Recovery to Locomotion across Diverse Terrains
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；Key Laboratory of Machine Intelligence and System Control, Ministry of Education（教育部机器智能与系统控制重点实验室）
提出相位-地形解耦学习（PTDL），通过解耦训练监督的相位和地形轴，实现单一本体感知策略下的多地形摔倒恢复与行走过渡。
2026-08-03 cs.RO
HiFAR: Multi-Stage Curriculum Learning for High-Dynamics Humanoid Fall Recovery
Tsinghua University（清华大学）；Booster Robotics Technology Co., Ltd（Booster机器人科技有限公司）
针对人形机器人在动态环境中跌倒恢复的难题，提出多阶段课程学习框架HiFAR，通过渐进式任务训练实现高效稳定恢复，并在真实机器人上验证了高成功率、快速、鲁棒和泛化性能。
2025-02-28 cs.RO
RecoverFormer: End-to-End Contact-Aware Recovery for Humanoid Robots
Stanford University（斯坦福大学）
本文提出RecoverFormer，一种端到端的人形机器人恢复策略，通过学习切换恢复行为（如补偿步态、手-环境接触、质心重塑）实现鲁棒恢复，验证了其在多种扰动条件下的泛化能力。
2026-04-24 cs.RO
Multi-Contact Whole-Body Force Control for Position-Controlled Robots
Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Université de Lorraine（洛林大学）
针对位置控制机器人无法直接控制接触力的问题，提出SEIKO流水线，利用柔性模型和两个二次规划实现间接力控制，并在Talos机器人上验证了多种多接触场景的有效性。
2024-05-22 cs.RO
VOFA: Visual Object Goal Pushing with Force-Adaptive Control for Humanoids
Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系）；Amazon Inc.（亚马逊公司）；Sony AI（索尼人工智能）
本文提出VOFA系统，通过视觉引导实现对未知物理属性物体的精准推动，解决重物操控中的未知质量和地面摩擦问题，实现在仿真和现实中的高成功率表现。
2026-07-22 cs.RO
Reactive Stepping for Humanoid Robots using Reinforcement Learning: Application to Standing Push Recovery on the Exoskeleton Atalante
Wandercraft；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学，巴黎文理研究大学）
最先进的强化学习现在能够在模拟中学习双足机器人的多功能运动，平衡和推动恢复能力。然而，现实的差距大多被忽视，模拟结果很难转移到真正的硬件。要么是由于物理学过于简化和忽略了硬件限制而在实践中不成功，要么是规则性得不到保证，可能会发生意外的危险运动。本文提出了一种强化学习框架，能够学习强大的站立推恢复的双足机器人，顺利地转移到现实中，只提供瞬时本体感受的意见。通过结合初始终止条件和策略平滑条件，我们实现了稳定的学习，仿真到现实迁移和安全使用的策略没有记忆，也没有显式的历史。然后，奖励工程被用来提供如何保持平衡的见解。我们展示了它的性能在现实中的下肢医疗外骨骼Atalante。
2022-07-31 cs.RO
PanTact: Teaching Whole-Body Dexterity with a Wearable Contact Interface
Stanford University（斯坦福大学）；Amazon FAR（亚马逊FAR）；Carnegie Mellon University（卡内基梅隆大学）
PanTact系统从人类演示中学习人形机器人全身灵巧性，通过可穿戴接触界面采集数据，在Unitree G1机器人上实现支撑、推等全身操作，拓展了机器人操作范围。
2026-10-12 cs.RO
Time-Varying Foot-Placement Control for Underactuated Humanoid Walking on Swaying Rigid Surfaces
College of Engineering, University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校工程学院）；The Ohio State University（俄亥俄州立大学）；University of Michigan（密歇根大学）；School of Mechanical Engineering, Purdue University（普渡大学机械工程学院）
针对动态刚性表面上仿人机器人行走控制难题，提出将经典线性倒立摆模型扩展至摇摆地面的时变非齐次模型，结合离散脚步控制律与分层控制框架，经Digit机器人仿真和硬件实验验证，可在不确定表面运动和外部推力下实现稳定欠驱动行走。
2024-09-12 cs.RO cs.SY eess.SY
Learning to Improve Capture Steps for Disturbance Rejection in Humanoid Soccer
Univ. of Bonn（波恩大学）
在过去的几年里，足球人形机器人有了很大的进步。基本技能，如双足行走，视觉感知和碰撞避免已经足够成熟，可以进行动态和令人兴奋的游戏。当两个机器人争夺球时，他们经常互相推，平衡恢复变得至关重要。在本文中，我们报告的见解，我们获得了系统的推动实验上进行的双足模型和概述的在线学习方法，我们用来提高其推恢复能力。此外，我们描述了如何解决由统一的目标颜色引入的定位模糊性，并报告了2013年RoboCup比赛的结果。
2018-09-28 cs.RO
RoboCup 2019 AdultSize Winner NimbRo: Deep Learning Perception, In-Walk Kick, Push Recovery, and Team Play Capabilities
Univ. of Bonn（波恩大学）
个人和团队的能力每年都受到规则变化和RoboCup Humanoid League足球队不断提高的表现的挑战。对于AdultSize类的RoboCup 2019，球员数量（2对2场比赛）和场地尺寸都有所增加，这需要团队协调以及强大的视觉感知和定位模块。在本文中，我们介绍了NimbRo团队赢得足球锦标赛，drop-in游戏，技术挑战和2019年悉尼RoboCup Humanoid League最佳人形机器人奖的最新进展。这些发展包括一个深度学习视觉系统，步行踢，基于步骤的推恢复，和团队合作战略。
2019-12-17 cs.RO
ADP: Adversarial Dynamics Priors for Physically Grounded Humanoid Locomotion
Mechatronics, Systems and Control Lab (MSC Lab), Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院机械工程系机电一体化、系统与控制实验室（MSC实验室））；Samsung Electronics, Future Robotics AI Group（三星电子未来机器人人工智能集团）；School of Electrical Engineering, Hanyang University（汉阳大学电气工程学院）；Advanced Robotics Research Center, Korea Institute of Machinery & Materials (KIMM)（韩国机械与材料研究所先进机器人研究中心）
提出对抗动力学先验（ADP）用于类人机器人抗干扰运动控制。以动力学特征取代运动学特征作对抗目标，用轨迹优化建参考数据集训练鉴别器，提升机器人抗干扰及运动跟踪能力。
2026-07-17 cs.LG cs.RO
Reachability Map for Diverse Balancing Strategies and Energy Efficient Stepping of Humanoids
University of Edinburgh（爱丁堡大学）
在腿式运动中，不同步态行为与能量消耗之间的关系必须考虑全身动力学和机器人控制作为一个整体，这不能通过简单的模型来捕捉。本研究将机器人动力学与全身最优控制视为一耦合系统，探讨平衡恢复时的能量消耗。我们开发了一个用于动态步进的2阶段非线性优化管道，该管道生成显示复杂能量步进关系的可达性图。我们优化步态参数，搜索所有可到达的位置，并量化动态过渡过程中的能量成本，这使得研究能量消耗和步进位置之间的关系，给定不同的初始条件。我们发现，为了实现有效的驱动，步进位置和定时可以具有接近基本最优性的简单近似。尽管这个非线性过程的复杂性，我们表明，接近最小的努力步进位置属于一个区域内的吸引力，而不是一个狭窄的解决方案空间建议一个简单的模型。这为机器人运动规划和控制中近似最优解的非唯一性以及人类步进行为的多样性提供了新的见解。
2021-05-03 cs.RO cs.SY eess.SY
Unified Perceptive Fall Safety for Humanoids
University of Michigan, Ann Arbor（密歇根大学）
VIGOR通过整合感知-运动表示，实现人形机器人在复杂地形中的零样本跌倒安全。
2026-10-16 cs.RO
Unified Walking, Running, and Recovery for Humanoids via State-Dependent Adversarial Motion Priors
The University of Hong Kong（香港大学）
本文提出了一种统一的强化学习框架，使单个策略能够在Unitree G1人形机器人上实现行走、跑步和跌倒恢复，且无需在部署时显式切换模式。该框架通过将传统全局参考分布替换为状态依赖的门控机制，将每个训练过渡路由到两个判别器中：一个专用的恢复判别器和一个基于速度的运动判别器，共同覆盖行走和跑步。
2026-05-18 cs.RO
On the Emergence of Whole-body Strategies from Humanoid Robot Push-recovery Learning
Istituto Italiano di Tecnologia（意大利理工学院）；University of Manchester（曼彻斯特大学）；Massachusetts Institute of Technology（麻省理工学院）；Sapienza Università di Roma（罗马第一大学）；Università degli Studi di Genova（热那亚大学）
平衡和推动恢复是使人形机器人能够解决复杂运动任务的基本能力。在这种情况下，经典的控制系统往往是基于简化的物理模型和硬编码的策略。虽然在特定情况下是成功的，但这种方法需要在专门设计的控制器之间对参数和切换逻辑进行苛刻的调整，以处理更一般的扰动。我们应用无模型深度强化学习在模拟环境中训练一个通用和强大的人形推恢复策略。我们的方法针对高维全身人形控制，并验证了iCub人形。奖励组件结合专家知识的人形控制，使快速学习几个强大的行为相同的政策，跨越整个身体。我们验证了我们的方法与广泛的定量分析模拟，包括样本外的任务，表现出政策的鲁棒性和泛化，对现实世界的机器人部署的关键要求。
2021-04-29 cs.LG cs.RO stat.ML
PokeRRT: Poking as a Skill and Failure Recovery Tactic for Planar Non-Prehensile Manipulation
University of Colorado Boulder（科罗拉多大学博尔德分校）
提出 PokeRRT 运动规划算法，将戳刺作为一种非抓持操作技能及失败恢复策略，与抓取放置协同提升操作弹性，实验证明其在杂乱环境中规划轨迹高效，且在成功率和任务时间上优于推挤与抓取。
2024-06-04 cs.RO
Unified Humanoid Fall-Safety Policy from a Few Demonstrations
University of Michigan（密歇根大学）
本文提出一种融合稀疏人类演示、强化学习与自适应扩散记忆的统一策略，使人形机器人能够在单一策略中同时实现跌倒预防、冲击缓解和快速恢复，并在仿真和Unitree G1上验证了其有效性。
2025-11-10 cs.RO
Approximate Simulation for Template-Based Whole-Body Control
University of Notre Dame（圣母大学）
降阶模板模型被广泛用于控制高自由度的足式机器人，但现有的基于模板的全身控制方法严重依赖于数学模型，并且经常遭受鲁棒性问题。在这封信中，我们提出了一个基于模板的全身控制方法接地近似模拟的正式框架。我们的主要贡献是演示如何利用刚体动力学的哈密顿结构来建立高维非线性系统的近似模拟。所得到的控制器是被动的，比标准的基于QP的方法更鲁棒的推动干扰，不平坦的地形和建模误差，并自然地实现高质心行走。我们的理论研究结果与30度的自由瓦尔基里人形模型的仿真实验支持。
2020-12-22 cs.RO
ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control
The Chinese University of Hong Kong（香港中文大学）；Shanghai AI Laboratory（上海人工智能实验室）
提出ReactiveBFM，一种实时闭环规划控制框架，通过调度前缀采样课程和异步重规划机制，解决生成式运动规划器与高频跟踪之间的延迟不匹配和暴露偏差问题，实现人形机器人全身协调和零样本反应式运动。
2026-10-23 cs.AI cs.CV cs.RO
KungfuAthleteBot: learning high-dynamic humanoid motion from video with unified robust recovery
Beijing Institute of Technology（北京理工大学）；QIYUAN Lab（启元实验室）
提出KungfuAthleteBot框架，通过物理校正、伪低动能采样和统一训练策略，从视频学习高动态人形运动，实现约0.7秒的快速跌倒恢复。
2026-10-07 cs.RO
