Generating Humanoid Multi-Contact through Feasibility Visualization
Institute of Human and Machine Cognition (IHMC)（人类与机器认知研究所）；University of West Florida (UWF)（西佛罗里达大学）；Georgia Institute of Technology（佐治亚理工学院）；Figure AI, Inc.（Figure AI公司）
提出一种可行性驱动的遥操作框架，通过可视化质心稳定性裕度，生成任意接触模式的人形多接触动作，并在Valkyrie机器人上验证。
2023-11-10 cs.RO
Modeling of Visco-Elastic Environments for Humanoid Robot Motion Control
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）
本文提出了一种用于时间关键型人形机器人运动控制的柔顺接触模型。所提出的模型认为环境作为一个连续的弹簧阻尼系统，这使我们能够计算等效的接触力和扭矩的环境施加在接触表面上。我们表明，所提出的模型扩展了线性和旋转弹簧和阻尼器-经典的用于表征软地形-的情况下，大的接触面方向。然后，接触模型用于实时全身控制的人形机器人行走在粘弹性环境。通过仿真iCub人形机器人的行走运动，验证了该方法的有效性。此外，本文比较了所提出的全身控制策略和最先进的方法。在这方面，我们调查的地形顺应性，使经典的方法假设刚性接触失败。最后，我们分析了所提出的控制设计的非参数不确定性的接触模型的鲁棒性。
2021-05-30 cs.RO
A Humanoid Visual-Tactile-Action Dataset for Contact-Rich Manipulation
GIST（全州科学技术大学）
针对现有机器人操作数据集对软体物体、多压力场景触觉数据覆盖不足的问题，构建了遥操作采集的人形机器人多模态视觉-触觉-动作数据集，支撑相关模型优化研究。
2025-11-13 cs.RO
Guiding Collision-Free Humanoid Multi-Contact Locomotion using Convex Kinematic Relaxations and Dynamic Optimization
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出一种结合凸运动学松弛和动态优化的人形机器人多接触框架，解决大障碍物和极限运动下的不可行问题，几秒内生成关节空间动态可行的运动规划。
2024-10-10 cs.RO
Realization of Seated Walk by a Musculoskeletal Humanoid with Buttock-Contact Sensors From Human Constrained Teaching
The University of Tokyo（东京大学）
本研究通过人类约束示教和臀接触传感器，在肌肉骨骼人形机器人MusashiOLegs上实现了坐姿行走的前进、后退与旋转运动。
2024-04-01 cs.RO
Unsupervised Neural Motion Retargeting for Humanoid Teleoperation
Graduate School of Informatics, Kyoto University（京都大学 informatics 研究生院）；Artificial Intelligence Research Center, National Institute of Advanced Industrial Science and Technology (AIST)（独立行政法人 产业技术综合研究所 人工智能研究中心）；Advanced Telecommunications Research Institute International (ATR)（国际电气通信基础技术研究所）；Graduate School of Science Technology, Nara Institute of Science and Technology（奈良科学技术研究所 研究生院）
本研究提出一种基于GAN的无监督在线运动重定向方法，无需成对数据集即可实现人到人形机器人的遥操作，降低了系统复杂性与设置门槛，实验表明其重定向精度与传统方法相当且具备实用可用性。
2024-06-02 cs.RO
Stability of Surface Contacts for Humanoid Robots: Closed-Form Formulae of the Contact Wrench Cone for Rectangular Support Areas
The University of Tokyo（东京大学）；Nanyang Technological University（南洋理工大学）
人形机器人通过与环境建立和断开联系来移动。因此，一个关键的问题是找到一个给定的接触保持稳定或打破的精确标准。对于刚性表面接触，最通用的标准是接触扳手条件（CWC）。为了检查运动是否满足CWC，现有的方法考虑大量的单独接触力（例如，在支撑多边形的每个顶点处的一个接触力），这在计算上是昂贵的并且防止使用有效的逆动力学方法。在这里，我们认为，CWC可以显式计算，而无需参考个人的接触力，并给出封闭形式的公式的情况下，矩形表面-这是具有实际意义的。结果表明，这些公式简单而自然地表达了三个条件：（i）合力上的库仑摩擦，（ii）支撑区域内的ZMP，以及（iii）偏航扭矩的界限。条件（i）和（ii）是已知的，但条件（iii）据我们所知是新颖的。这也是特别感兴趣的双足运动，其中不期望的脚偏航旋转是一个已知的问题。我们还表明，我们的公式产生更简单，更快的计算比现有的方法在单一的支持人形运动，并证明其一致性的OpenHRP模拟器。
2015-01-20 cs.RO
Robust Humanoid Contact Planning with Learned Zero- and One-Step Capturability Prediction
University of Michigan（密歇根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；New York University（纽约大学）
人形机器人通过控制施加在环境中的接触扳手来保持平衡和导航。虽然可以使用现有方法来规划应用适当扳手的动态可行运动，但人形机器人也可能受到外部干扰的影响。现有的系统通常依赖于控制器从干扰中反应性地恢复。然而，当机器人不能到达能够拒绝给定干扰的触点时，这样的控制器可能失效。在本文中，我们提出了一个基于搜索的脚步规划器，其目的是最大限度地提高机器人成功达到目标的概率，而不下降的干扰的结果。规划器不仅考虑了规划接触序列的姿态，而且还考虑了规划接触序列附近的可用于从外部干扰中恢复的替代接触。虽然这种额外的考虑显着增加了计算负荷，我们训练神经网络，以有效地预测多接触零步和一步的可捕获性，这使得规划者有效地生成强大的接触序列。我们的研究结果表明，我们的方法产生的足迹序列，更强大的外部干扰比传统的足迹规划在四个具有挑战性的情况下。
2020-01-20 cs.RO
TACT: Humanoid Whole-body Contact Manipulation through Deep Imitation Learning with Tactile Modality
CNRS-AIST JRL (Joint Robotics Laboratory), IRL and National Institute of Advanced Industrial Science and Technology (AIST)（CNRS-AIST联合机器人实验室、IRL和国家先进工业科学与技术研究院）；Tokyo University of Science（东京科学大学）；University of Tsukuba（茨口大学）
本研究提出TACT策略，结合触觉与视觉模态，通过模仿学习使人形机器人RHP7 Kaleido实现平衡行走中的全身接触操作，增强稳定性并提升操控鲁棒性。
2025-06-18 cs.RO
TactileStep: Sole Tactile Learning for Regulating Foot-Terrain Interaction in Humanoid Locomotion
Tsinghua University（清华大学）
针对人形机器人足地交互缺乏触觉感知的问题，提出TactileStep框架，通过足底压力感知与阶段感知奖励，实现更柔和着陆和稳定支撑，显著降低冲击力与噪声。
2026-09-25 cs.RO
Online Non-linear Centroidal MPC for Humanoid Robots Payload Carrying with Contact-Stable Force Parametrization
Mechanical engineering department（机械工程系）；Machine Learning and Optimisation, The University of Manchester（机器学习与优化，曼彻斯特大学）
针对人形机器人负重行走问题，提出结合在线非线性质心模型预测控制与接触稳定力参数化的方法，实现给定脚步轨迹的跟踪。
2023-05-18 cs.RO
Opt2VLA: Force-Aware Vision-Language-Action for Contact-Rich Humanoid Whole-Body Manipulation
Georgia Institute of Technology（佐治亚理工学院）
Opt2VLA提出力感知的VLA框架，通过显式力命令和轨迹优化监督，提升人形机器人接触丰富任务中的力调节准确性与稳定性。
2026-09-22 cs.RO
Control and Evaluation of a Humanoid Robot with Rolling Contact Knees
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Apptronik, Inc.（Apptronik公司）
在本文中，我们介绍了人形机器人DRACO 3通过提供一个高层次的描述其设计和控制。该机器人具有近端驱动和机械伪影，以提供高范围的髋关节、膝关节和踝关节运动。它的多功能设计带来了有趣的问题，因为它需要一个更复杂的控制系统来执行其运动。出于这个原因，我们引入了一个支持滚动接触关节的全身控制器（WBC），并展示了如何将其轻松集成到我们之前提出的开源规划和控制（PnC）框架中。然后，我们验证我们的控制器实验DRACO 3进行两个姿势任务的初步结果。最后，我们分析了近端驱动设计的影响，并将其与其他成人尺寸的人形机器人进行了比较。
2022-10-03 cs.RO
Walking on Partial Footholds Including Line Contacts with the Humanoid Robot Atlas
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）；Istituto Italiano di Tecnologia（意大利理工学院）
我们提出了一种方法，人形机器人步行的部分立足点，如小踏脚石和尖锐的表面岩石。我们的算法不依赖于先验知识的立足点，但预期的立足点的信息可以用来提高步进性能。在迈出一步后，机器人通过尝试改变脚周围的压力中心来探索新的接触面。可用的立足点通过脚围绕接触边缘旋转的方式和/或通过在探索期间脚上的压力位置的实现中心来推断。该估计的接触面积然后由基于全身动量的控制算法使用。为了在部分立足点上行走和平衡，我们将快速，动态的步伐与上身角动量的使用相结合，以重新获得平衡。我们将这种方法应用于波士顿动力公司设计的Atlas人形机器人，以在小的接触表面上行走，例如线接触和点接触。我们目前的实验结果，并讨论性能限制。
2017-01-12 cs.RO
Efficient Humanoid Contact Planning using Learned Centroidal Dynamics Prediction
University of Michigan（密歇根大学）；University of Tuebingen（图宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；New York University（纽约大学）
人形机器人通过在间歇接触姿态下施加接触扳手与环境交互来动态地导航环境。因此，在规划接触序列时考虑动力学是很重要的。传统的接触规划方法假设一个准静态的平衡标准，以减少计算的挑战，选择一个接触序列在粗糙的地形。然而，当需要动态运动时，例如当走下陡坡或穿过宽间隙时，这限制了该方法的适用性。最近的方法克服了这一限制的帮助下，有效的混合整数凸规划求解器能够合成动态接触序列。然而，它的指数时间复杂度限制了它的适用性，在小环境中的短时间范围内的接触序列。在本文中，我们超越了目前的方法，通过学习预测的机器人质心动量的动态演变，然后可以用于快速生成动态鲁棒的接触序列的机器人与手臂和腿使用基于搜索的接触规划。我们证明了所提出的方法的结果在一组动态的挑战性的情况下的效率和质量。
2019-03-01 cs.RO
Control of Humanoid in Multiple Fixed and Moving Unilateral Contacts
CNRS-University of Montpellier（法国国家科学研究中心-蒙彼利埃大学）；Honda Research Institute（本田研究所）；CNRS-AIST Joint Robotics Laboratory（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室）
强制平衡的多肢机器人在多个非共面单边接触设置是具有挑战性的，当一个子集的这种接触也引起运动任务。本文的第一个贡献是在提高计算性能的国家的最先进的几何质心包含基于平衡的方法集成在线任务空间全身控制框架的一部分。因此，我们的第二个贡献在于整合这样的平衡区域与相关的接触力分布，而无需预先计算目标质心。这最后一个功能是必不可少的，留给后者的自由，以更好地遵守其他现有的任务，没有捕获在经典的两级方法。我们通过HRP-4人形机器人的实验来评估我们所提出的方法的性能。
2021-10-21 cs.RO
Stability-Aware Retargeting for Humanoid Multi-Contact Teleoperation
Florida Institute for Human and Machine Cognition（佛罗里达人机认知研究所）；University of West Florida（西佛罗里达大学）；Ocado Technology（Ocado技术）
针对人形机器人多接触遥操作中易失稳、转矩饱和的问题，提出基于质心稳定性的重定向方法，通过稳定裕度梯度动态调整接触点与姿态，仿真与硬件实验均验证其能提升稳定裕度及抗冲击、转矩裕度表现。
2025-10-05 cs.RO
Contact-UAN: Unsupervised Actuator Networks as a Residual World Model for Humanoid Control
MIT（麻省理工学院）
Contact-UAN是保留仿真物理先验并校正执行器动力学的残差世界模型，基于6.5分钟真实行走数据训练的UAN，可使人形机器人策略无缝迁移至现实，降低运行扭矩与力跟踪误差，实现柔顺阻抗控制及鲁棒跳跃。
2026-10-15 cs.RO
Reflex-based Motion Strategy of Musculoskeletal Humanoids under Environmental Contact Using Muscle Relaxation Control
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对肌肉骨骼仿人机器人建模难和内部肌肉张力高的问题，提出肌肉松弛控制，主动利用环境减少张力，并验证于手臂休息和手柄操作。
2025-02-22 cs.RO
BFM-Zero: A Promptable Behavioral Foundation Model for Humanoid Control Using Unsupervised Reinforcement Learning
BFM-Zero提出一种基于无监督强化学习和前向-后向模型的共享潜在空间框架，使单一策略无需重训即可通过提示完成多种人形机器人全身控制任务，并在Unitree G1上实现零样本与少样本真实世界部署。
2026-10-20 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
Humanoid Momentum Estimation Using Sensed Contact Wrenches
这项工作提出的方法估计的数量重要的控制的人形机器人的动量。与以前使用简化模型（如线性倒立摆模型）的方法相比，我们提出了基于机器人动量动力学的估计器。通过使用这个简单但动态一致的模型，我们避免了使用简化模型进行估计的问题。我们开发了一个估计的质心和全动量，可以重新估计质心偏移以及外部扳手应用到机器人。这些估计的可观测性进行了研究，并评估其性能相比，以前的方法。
2015-07-15 cs.RO
ContactMimic: Humanoid Object Interaction via Contact Control
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究针对人形机器人物体交互任务，提出CONTACTMIMIC学习框架，通过接触跟随奖励和轨迹增强方案，使策略解耦接触行为与关键点几何，实现接触可控性，仿真与现实实验验证其有效性及优于仅关键点跟踪器。
2026-07-10 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
Learning Versatile Humanoid Manipulation with Touch Dreaming
Carnegie Mellon University（卡内基梅隆大学）；UT Arlington（UT阿灵顿）；Bosch Center for AI（博世人工智能中心）
本文提出HTD模型，结合触觉、视觉和本体感觉，通过触觉梦想增强学习实现高灵活性的人形操作，实验证明在五个真实任务中成功率提升显著。
2026-08-18 cs.RO
PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Shanghai Innovation Institute（上海创新研究院）
该研究提出PRIME方法，通过结合可微接触动力学和光滑互补约束，实现从 onboard 传感器数据中获得物理一致的运动轨迹和惯性参数估计，从而提升机器人运动估计的准确性。
2026-05-17 cs.RO
Reactive Humanoid Multi-Contact Using Learned Stability Models
Florida Institute for Human and Machine Cognition（佛罗里达人类与机器认知研究所）；University of West Florida（西佛罗里达大学）
提出一种利用学习模型快速评估手部接触点的人形机器人反应式稳定方法，通过两阶段规划选择最佳支撑区域和点，仿真和硬件实验均显著提升抗冲击能力并缩短稳定时间。
2026-10-02 cs.RO
Modeling and Control of Humanoid Robots in Dynamic Environments: iCub Balancing on a Seesaw
Istituto Italiano di Tecnologia（意大利理工学院）
关于人形机器人的未来应用可能涉及机器人与动态环境之间的物理交互。在这种情况下，经典的平衡和步行控制器，忽略了环境动态可能不足以实现稳定的机器人行为。本文提出了一种平衡人形机器人与动态环境接触的建模和控制框架。我们首先对机器人和环境动力学以及接触约束进行建模。然后，提出了一种稳定整个系统的控制策略。理论结果与机器人iCub平衡在跷跷板上的仿真验证。
2018-03-09 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
Toward Geometry-Scalable Whole-Body Touch for Humanoids: A 3D-Printed Conformal EIT Skin
Czech Technical University in Prague（布拉格捷克技术大学）；Eindhoven University of Technology（埃因霍温理工大学）
该研究提出一种3D打印的保形EIT触觉皮肤，通过增材制造工艺实现几何适配，在弯曲原型上18个接触点平均定位误差6mm，可减轻人形机器人触觉覆盖的形态重设计负担。
2026-08-04 cs.RO
Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization
KDMR通过多接触全身轨迹优化，实现人形运动的动力学重定向，提升动作的动态可行性与稳定性，优于传统纯运动学方法。
2026-08-03 cs.RO
GM-Loco: Terrain-Adaptive Humanoid Locomotion on Granular Media
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（佐治亚理工学院机器人与智能机器研究所）；School of Physics, Georgia Institute of Technology（佐治亚理工学院物理学院）；Northeastern University（东北大学）
针对颗粒地形上人形机器人运动难题，提出基于3D RFT的物理接触模型和教师-学生强化学习控制器，实现地形自适应，仿真和硬件实验验证了高成功率和零样本适应能力。
2026-09-16 cs.RO
DAVIS: A Depth-Only End-to-End Active-Vision Framework for Humanoid Soccer Skills
Noetix Robotics；Tsinghua University（清华大学）
提出DAVIS框架，仅用深度图像和本体感觉实现人形机器人足球接触技能的端到端学习，直接输出25自由度PD目标，并通过仿真和真实实验验证。
2026-09-24 cs.RO
SixthSense: Task-Agnostic Proprioception-Only Whole-Body Wrench Estimation for Humanoids
The Hong Kong University of Science and Technology（香港理工大学）；Zhejiang University（浙江大学）；Tencent Robotics X（腾讯机器人实验室）
本文提出SixthSense，一种基于本体感知和IMU数据的无任务依赖方法，用于估计人类oid的全身接触时间和位置及外部wrench，解决浮动物理动力学和不确定接触位置的难题。
2026-05-02 cs.RO
Balance of Humanoid robot in Multi-contact and Sliding Scenarios
Montpellier Laboratory of Informatics, Robotics and Microelectronics (LIRMM), CNRS-University of Montpellier（蒙彼利埃信息学、机器人学与微电子学实验室（LIRMM），法国国家科学研究中心-蒙彼利埃大学）；CNRS-AIST Joint Robotics Laboratory (JRL), UMI3218/RL（法国国家科学研究中心-日本产业技术综合研究所联合机器人实验室（JRL），UMI3218/RL）
本研究探讨多接触点环境下类人或多足式机器人的平衡问题。保持平衡的一种方法是将质心（CoM）保持在可容许的凸区域内。该面积应根据接触位置和力计算。我们介绍了一种方法来计算此CoM支持区域（CSA）的多个固定和滑动接触。为了选择CSA内最合适的CoM位置，我们考虑了（i）多个固定和滑动触点的约束，（ii）触点的期望扳手分布，以及（iii）CoM的期望位置（最终由其他任务决定）。这些都制定为一个二次规划优化问题。我们说明了我们的方法推靠墙和擦拭，并进行了实验，使用HRP-4人形机器人。
2019-09-30 cs.RO math.DS
Task and Motion Planning for Humanoid Loco-manipulation
Munich Institute of Robotics and Machine Intelligence (MIRMI), Technical University of Munich (TUM), Germany（慕尼黑机器人与机器智能研究所（MIRMI）、慕尼黑技术大学（TUM））
本文提出了一种基于优化的任务与运动规划框架，通过共享接触模式实现人形机器人移动与操作的统一规划。
2025-08-16 cs.RO
Multi-contact MPC for Dynamic Loco-manipulation on Humanoid Robots
University of Southern California（南加州大学）
提出了一种基于多接触模型预测控制（MPC）框架的人形机器人多接触动态轨迹操作控制方法。拟议的框架包括一个多接触动力学模型，能够捕获本地操作中的各种接触模式，例如手与物体接触和脚与地面接触。我们提出的动力学模型表示的对象动态作为一个外力作用在系统上，这简化了模型，使其可行的MPC问题的解决。在数值验证中，我们的多接触MPC框架只需要每个任务的接触时间和所需的状态，让MPC的知识的变化接触模式的预测视野中的本地操作。所提出的框架可以控制人形机器人完成多任务的动态本地操作应用，如有效地拿起和放下物体，同时转向和行走。
2023-03-21 cs.RO cs.SY eess.SY
Robot Drummer: Learning Rhythmic Skills for Humanoid Drumming
IDSIA, SUPSI（IDSIA瑞士理工学院）；Department of Mechanical Engineering, Politecnico di Milano（米兰理工学院机械工程系）
研究人形机器人击鼓，提出模拟框架“机器人鼓手”，将击鼓制定为定时接触事件，分解曲目片段，用强化学习并行训练单一策略，经实验验证能高效学习长期表演，展现类人击鼓策略，推动机器人进入音乐表演领域。
2026-07-15 cs.RO
It Takes Two: Learning Interactive Whole-Body Control Between Humanoid Robots
Shanghai Jiao Tong University（上海交通大学）
提出双人形机器人动作模仿框架Harmanoid，通过接触感知动作重定向和交互驱动动作控制器显式建模智能体间接触与交互感知动力学，有效解决单人形机器人的孤立问题，显著提升交互式动作模仿效果。
2025-10-11 cs.MA 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
Opt2Skill: Imitating Dynamically-feasible Whole-Body Trajectories for Versatile Humanoid Loco-Manipulation
Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机构研究所，佐治亚理工学院）
针对人形机器人移动操作的动力学与接触挑战，提出结合轨迹优化与RL的Opt2Skill流水线，生成可行参考轨迹并训练策略跟踪，性能优于基线且已实现现实迁移。
2025-10-01 cs.RO
OmniContact: Chaining Meta-Skills via Contact Flow for Generalizable Humanoid Loco-Manipulation
Noitom Robotics（诺亦腾机器人）；The Hong Kong University of Science and Technology（香港科技大学）；Wuhan University（武汉大学）；The University of Hong Kong（香港大学）
提出以接触流为核心的分层框架，通过低层策略学习统一技能库、高层模块合成未来接触流序列，实现人形机器人长时程任务的鲁棒执行与自主恢复，在搬运箱子和推叠箱子任务上分别达到98.7%和76.5%的成功率。
2026-06-26 cs.RO
GenHOI: Contact-Aware Humanoid-Object Interaction by Imitating Generated Videos without Task-Specific Training
The University of Tokyo（东京大学）；National University of Singapore（新加坡国立大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Tsinghua University（清华大学）
提出GenHOI框架，通过模仿单个生成视频实现人形机器人零样本执行多种物体交互任务，无需任务特定训练或物理演示数据，利用接触事件和手-物接触区域编码为几何约束优化轨迹。
2026-07-21 cs.RO
SwingBot: Learning Whole-Body Brachiation for Humanoid Robots
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人研究院）
SwingBot提出一种学习框架，利用仿生关键帧和循环特权状态估计，使人形机器人通过被动腕钩实现连续臂行运动，硬件实验验证了其鲁棒性。
2026-09-15 cs.RO
Robust Contact State Estimation in Humanoid Walking Gaits
Foundation for Research and Technology - Hellas (FORTH)（希腊研究与技术基金会）；University College London（伦敦大学学院）
在这篇文章中，我们提出了一个深度学习框架，为人形机器人步行步态中的腿部接触检测问题提供了一种统一的方法。我们的公式实现了准确和鲁棒地估计每条腿的接触状态概率（即，稳定或滑动/无接触）。所提出的框架仅采用本体感觉，虽然它依赖于模拟地面实况接触数据的分类过程中，我们证明，它概括了不同的摩擦表面和不同的腿机器人平台，并在同一时间，很容易从模拟转移到实践。该框架是定量和定性评估模拟通过使用地面实况接触数据，并与国家的最先进的方法与ATLAS，NAO，和TALOS人形机器人的对比。此外，它的功效在真实TALOS人形机器人的基础估计中得到了证明。为了加强进一步的研究工作，我们的实现是作为开源ROS/Python包提供的，称为腿接触检测（LCD）。
2022-07-30 cs.AI cs.LG cs.RO
Anti-Gravity Walking by a Flying Humanoid Robot via Thrust-Rate Input Whole-Body Model Predictive Control
The University of Tokyo（东京大学）
针对飞行人形机器人在天花板等反重力环境中的行走问题，提出以推力速率为控制输入的全身模型预测控制框架，通过保证推力连续性和引入接触力下界，实现稳定行走，并经仿真和硬件实验验证。
2026-09-09 cs.RO
P-BFM: Perceptive Behavioral Foundation Models for Humanoid Control via Unsupervised Reinforcement Learning
University of Shanghai for Science and Technology（上海理工大学）；Tsinghua University（清华大学）；Zhejiang University（浙江大学）；Harbin Institute of Technology（哈尔滨工业大学）
该研究提出P-BFM，一种基于无监督强化学习的人形机器人感知行为基础模型，通过分解地形无关意图与地形相关实现，结合显式根指令，提升了人形机器人在复杂地形的控制性能，可零样本迁移至Unitree G1。
2026-10-14 cs.RO
WT-UMI: Tactile-based Whole-Body Manipulation via Force-Supervised Contact-Aware Planning
The Institute for Robotics and Intelligent Machines, Georgia Institute of Technology（机器人与智能机械研究所，佐治亚理工学院）
提出WT-UMI系统，结合人体演示与遥操作数据，通过力监督规划器预测末端执行器位姿和接触力轨迹，并利用触觉导纳控制器提升全身操控性能。
2026-06-12 cs.RO
TWIMP: Two-Wheel Inverted Musculoskeletal Pendulum as a Learning Control Platform in the Real World with Environmental Physical Contact
The University of Tokyo（东京大学）
本研究提出了一种结合仿人肌骨上肢与双轮倒立摆的新型仿人机器人TWIMP，旨在利用其柔软接触与高机动性优势，作为现实世界中包含物理接触和冲击环境下的学习控制平台，并通过初步实验验证了其潜力。
2024-04-22 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
SceneBot: Contact-Prompted General Humanoid Whole Body Tracking with Scene-Interaction
Stanford（斯坦福大学）；Amazon FAR（亚马逊 FAR）；CMU（卡内基梅隆大学）
提出SceneBot框架，通过接触标签和事后场景重建，统一处理自由空间运动、地形穿越和全身操作，实现复杂长时任务。
2026-06-29 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
Stability Recognition with Active Vibration for Bracing Behaviors and Motion Extensions Using Environment in Musculoskeletal Humanoids
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对柔性肌肉骨骼人形机器人难精准控制的问题，提出利用环境实现支撑运动与运动范围扩展的方法，通过主动振动身体局部结合传感器变化识别稳定性，经Musashi机器人实验验证了有效性。
2025-02-22 cs.RO
WoCoCo: Learning Whole-Body Humanoid Control with Sequential Contacts
ETH Zurich（苏黎世联邦理工学院）；Carnegie Mellon University（卡内基梅隆大学）
WoCoCo通过将任务分解为接触阶段，实现了无模型强化学习的全身人形顺序接触控制，无需运动先验，并在现实世界中完成了跑酷跳跃、箱子操作、舞蹈和攀爬等任务，且可推广至其他机器人。
2024-11-07 cs.GR cs.RO cs.SY
