One-Leg Stance of Humanoid Robot using Active Balance Control
Ho Chi Minh City University of Technology(胡志明市理工大学);Saigon University(西贡大学)
在研制人形机器人时,自平衡任务是最重要的任务之一。提出了一种用于人形机器人的新型外平衡机构,以保持机器人的侧向平衡。首先,建立了具有平衡机构的人形机器人的动力学模型,并对其进行了简化。其次,基于反推的控制方法被用来分裂成两个子系统的系统。然后,使用基于最小偏差的控制器来控制第一子系统。由于第二个子系统的参数未知,采用模型参考自适应控制器(MRAC)对其进行控制,将行走和平衡分为两个独立的任务,使得行走控制可以独立于平衡控制来执行。此外,平衡机构的使用确保了人形机器人在行走时的髋部运动不超过人类的阈值。因此,使得人形机器人的整体姿态看起来更自然。在商用人形机器人UXA-90上进行了实验,以评估所提出的方法的有效性。
2021-07-25 cs.RO cs.SY eess.SY
Direct Centroidal Control for Balanced Humanoid Locomotion
University of Bonn(波恩大学)
提出了一种基于直接质心控制的人形机器人运动和平衡的综合方法。我们的方法使用人形物体的五质量描述。它产生全身运动所需的脚轨迹和质心参数的机器人。一组简化的模型被用来制定一般和直观的控制律,然后应用于实时估计和调节的质心位置和方向的多体的主轴惯性。建议的算法的组合产生一个伸展腿步态自然看上身运动。由于只需要一个6轴IMU和关节编码器,机器人之间的便携性很高。我们的方法已经使用igus类人开放平台进行了实验验证,展示了全身运动和推拒能力。
2022-08-09 cs.RO
COMTEST Project: A Complete Modular Test Stand for Human and Humanoid Posture Control and Balance
这项工作提出了一个系统基准人形姿态控制和平衡性能扰动条件下。具体的基准测试场景包括,例如,在移动表面上进行自主运动时保持直立姿势的平衡。该系统包括用于提供扰动的运动平台、适用于机器人、人类和外骨骼的创新的身体跟踪系统、控制软件和一组预定义的扰动、用于测试算法的人形机器人、以及提供用于提供性能的定量测量的现有技术数据分析的分析软件。为了提供多功能性,该系统的设计是面向模块化:其所有组件可以根据实验需要进行更换或扩展,添加额外的扰动配置文件,新的评估原则,和替代跟踪系统。该系统将有可能与不同类型的机器人和外骨骼一起使用,以及用于旨在深入了解人体平衡能力的人体实验。
2021-04-24 cs.RO
Online Balanced Motion Generation for Humanoid Robots
University of Bonn(波恩大学)
降低高阶问题的复杂性可以使它们以分析的方式解决。在本文中,我们提出了一个解析全身运动发生器的人形机器人。我们的方法的目标是廉价的平台,拥有位置控制关节和有限的反馈能力。通过分析类人身体的质量分布,我们发现肢体运动和它们各自的CoM位置之间的关系。一个完整的姿态的人形机器人,然后描述了五个点质量,一个连接到躯干和其余四个分配给每个肢体。这些质量的加权和与接触点结合形成倒立摆。然后,我们通过指定所需的直立摆方向和任何所需的躯干方向来生成静态稳定的姿势。肢体和躯干放置策略用于满足参考CoM位置。一组这些姿势被插值以实现稳定的全身运动。该方法进行了评估,通过执行几个动作与igus类人开放平台机器人。我们证明了该方法的可扩展性,通过应用基本的反馈机制,干扰抑制和跟踪误差最小化。
2018-10-19 cs.RO
Evaluating Robot Posture Control and Balance by Comparison to Human Subjects using Human Likeness Measures
University Clinic of Freiburg(弗莱堡大学医院)
姿态控制和平衡是人形机器人执行行走和与环境交互等运动任务的基本要求。因此,姿态控制是评估类人机器人性能时考虑的因素之一。在这项工作中,我们描述和分析的性能指标的基础上的身体摇摆的机器人站在一个移动的表面和一个健康的受试者进行相同的实验之间的比较。这种方法在这里是面向人类相似性的评价。该措施进行了测试与三个人类启发的人形姿态控制系统,独立通道(IC),干扰识别和补偿(DEC),和特征运动(EM)控制。然后讨论了与这种人类启发的人形控制机制的潜力和局限性。
2021-10-27 cs.RO
Learning of Balance Controller Considering Changes in Body State for Musculoskeletal Humanoids
The University of Tokyo(东京大学)
针对肌肉骨骼人形机器人身体状态时变导致PID平衡控制不稳定的问题,提出用参数偏置在线学习踝部状态与零力矩点关联模型,并通过仿真和Musashi验证有效性。
2024-05-20 cs.RO
Human-Likeness Indicator for Robot Posture Control and Balance
University of Freiburg(弗赖堡大学)
与人类类似,人形机器人需要姿势控制和平衡来行走和与环境交互。在这个工作姿态控制在扰动条件下进行评估,作为一个性能测试的仿人控制。提出了一个具体的性能指标:分数是基于测试人形机器人站在移动表面上的身体摇摆与健康受试者进行相同实验产生的摇摆之间的比较。这种方法在这里是面向人类相似性的评价。使用人形机器人来测试该措施,以展示所提出的评估方案的典型用法以及如何在这样的性能指标得分的基础上改进机器人控制的示例
2022-10-27 cs.RO
Agility Meets Stability: Versatile Humanoid Control with Heterogeneous Data
本文提出AMS框架,通过整合异构数据源,实现人形机器人在敏捷与稳定之间的平衡,展示了一种统一的控制方法,能够执行多种动态任务和极端平衡动作。
2026-03-03 cs.RO
Modelling of Walking Humanoid Robot With Capability of Floor Detection and Dynamic Balancing Using Colored Petri Net
University of Tabriz(大不里士大学)
大多数人形机器人具有高度复杂的结构,并且设计与人类非常相似的机器人是极其困难的。在本文中,建模的一般和全面的控制算法的人形机器人的着色Petri网。为了保持机器人的动态平衡,在算法中采用了陀螺仪和加速度计传感器的组合。图像处理主要用于识别两个基本问题:一是检测机器人必须跟随的目标或物体;二是检测地面表面,使步行机器人能够像人一样保持平衡,并显示其最佳性能。所提出的模型给出了高层次的人形机器人的操作。
2014-04-10 cs.RO
Capture Steps: Robust Walking for Humanoid Robots
University of Bonn(波恩大学)
稳定的双足行走是人形机器人发挥其在日常环境中成为多功能助手的潜力的关键先决条件。然而,双足行走是一种复杂的运动,需要许多自由度的协调,同时它也是固有的不稳定和对干扰敏感的。步行的平衡必须经常保持。控制平衡的最有效方法是适时和适当的恢复步骤--捕捉步骤--吸收从推动或绊倒中获得的支出势头。我们提出了一个双足步态生成框架,利用步骤的时间和脚的放置技术,以恢复平衡,即使在强烈的干扰。我们的框架修改下一个脚步的位置时,立即响应干扰,并产生可控的全向行走,只使用很少的传感和计算能力。我们利用开环稳定的中央模式产生的步态,以适应线性倒立摆模型所观察到的质心轨迹。然后,我们使用拟合模型来预测合适的脚步位置和时间,以便在遵循目标步行速度的同时保持平衡。我们的实验表明,迄今为止,人形机器人中最强的推动-恢复能力之一的定性和统计证据。
2020-11-05 cs.RO
HuB: Learning Extreme Humanoid Balance
Tsinghua University(清华大学);Shanghai Qi Zhi Institute(上海启智研究所);UC Berkeley(加州大学伯克利分校);UC San Diego(加州大学圣地亚哥分校)
HuB框架针对人形机器人平衡任务,通过参考运动细化、平衡感知策略学习和仿真到现实鲁棒性训练,解决了参考误差、形态学不匹配和仿真到现实差距三大难题,在Unitree G1上成功实现了燕式平衡等极限单腿姿态的稳定控制。
2025-08-17 cs.AI cs.LG 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
A Deep Reinforcement Learning Approach for Dynamically Stable Inverse Kinematics of Humanoid Robots
Robotics Research Center IIIT Hyderabad(国际信息技术研究所海得拉巴机器人研究中心)
人形机器人极易失去平衡,因此实时的计算动态稳定位形的逆运动学是非常必要的。提出了一种利用深度强化学习(RL)生成稳定构型的关节空间轨迹以求解逆运动学的方法。我们的方法是基于探索整个配置空间的机器人和学习的最佳可能的解决方案,使用深度确定性策略梯度(DDPG)的想法。所提出的策略进行了评估的高度铰接的上半身的人形模型与27度的自由度(DoF)。训练后的模型能够以90%的精度求解末端执行器的逆运动学,同时保持双支撑阶段的平衡。
2018-01-31 cs.RO
Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning
Shanghai Jiao Tong University(上海交通大学);Institute of Artificial Intelligence (TeleAI), China Telecom(中国电信人工智能研究院(TeleAI))
针对人形机器人在缺乏外部感知的窄地形上难以保持平衡的问题,提出基于动态平衡和强化学习的全身运动算法,利用扩展ZMP驱动奖励和任务驱动奖励实现上下肢协调,在Unitree H1-2机器人上验证了其抗扰动和适应复杂环境的能力。
2025-02-28 cs.LG cs.RO
Learning Asynchronous Upper-body Task-space Trajectory Tracking Policy for Humanoid Robots
Zhejiang University(浙江大学)
针对规划与执行间的异步问题,提出异步上肢任务空间跟踪框架,通过教师-学生蒸馏初始化策略,结合滑动窗口全局奖励减少帧漂移,并利用MPC模块和自引导约束实现稀疏参考跟踪,仿真与硬件实验验证了低更新率下的优越性能。
2026-10-19 cs.RO
A Change of Frame Makes the Capture Point Proprioceptive: Distillation-Free Humanoid Single-Leg Balance
针对人形机器人单腿平衡的通用策略无法实现干净站立的问题,提出首个可部署动态-CoM策略FDDC,结合相关方法与基准,大幅提升平衡成功率并实现硬件迁移,推动平衡能力的标准化衡量。
2026-10-05 cs.RO
Embedding Classical Balance Control Principles in Reinforcement Learning for Humanoid Recovery
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(韦斯特佛瑞斯特大学)
本文提出一种将经典平衡指标嵌入强化学习的人形机器人恢复策略,通过直接塑造奖励提升恢复效率,并在多种环境中验证了其有效性。
2026-03-09 cs.RO
Humanoid Motion Scripting with Postural Synergies
Computer Science, Stanford University(计算机科学,斯坦福大学)
本文提出 SynSculptor 框架,利用 PCA 从人类运动捕捉数据中提取姿态协同并构建风格条件化协同库,结合运动-语言 transformer 实现免训练的类人运动脚本编写与姿态自适应。
2025-08-17 cs.RO
Balancing experiments on a torque-controlled humanoid with hierarchical inverse dynamics
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Southern California(南加州大学)
最近几个层次的逆动力学控制器的基础上级联的二次规划已被提出应用于力矩控制机器人。他们有重要的理论上的好处,但从来没有被实施的扭矩控制的机器人模型不准确和实时计算的要求可能是有问题的。在这方面的贡献,我们提出了一个实验评估这些算法的背景下,平衡控制的人形机器人。所提出的实验证明了该方法在真实机器人条件下(即模型不确定性,估计误差等)的适用性。我们提出了一个简化的优化问题,使我们能够减少计算时间,足以实现它在一个快速的转矩控制回路。我们实现了一个基于动量的平衡控制器,它在面对未知的干扰,即使当机器人是站在只有一只脚表现出强大的性能。在第二个实验中,跟踪任务进行评估,以证明更复杂的层次结构的控制器的性能。我们的研究结果表明,分层逆动力学控制器可以用于人形机器人的反馈控制和基于动量的平衡控制可以有效地实现对一个真正的机器人。
2014-11-07 cs.RO
Sim-to-Real Learning for Humanoid Box Loco-Manipulation
Collaborative Robotics and Intelligent Systems Institute, Oregon State University(俄勒冈州立大学协作机器人与智能系统研究所)
本研究针对人形机器人箱子移动操作需全身协调并保持平衡的难题,提出仿真到现实的强化学习方法,为Digit机器人训练拾取搬运技能,整合系统实现多规格箱子的桌间转移,并验证了仿真到现实的成功迁移。
2023-10-04 cs.RO
Balancing of Humanoid with Object Mass: Trade-off Analyses and Lifting Control
该研究分析物体质量对人形机器人平衡的动态影响,构建平衡状态盆地/边界,定义临界与过渡质量,将其应用于轨迹优化,实现人形机器人稳定举升物体控制并完成相关任务。
2026-08-03 cs.RO
A Whole-Body Motion Imitation Framework from Human Data for Full-Size Humanoid Robot
The State Key Laboratory of Industrial Control and Technology of Zhejiang University(浙江大学工业控制技术状态重点实验室);Zhejiang Humanoid Robot Innovation Center(浙江人形机器人创新中心);Department of Engineering Mechanics of Zhejiang University(浙江大学工程力学系)
针对人形机器人与人类运动学动力学差异导致的平衡下精准模仿难题,提出含接触感知重定向、非线性质心MPC和全身控制器的框架,经仿真与真机实验验证具备准确性与适应性。
2025-08-01 cs.RO
Wireless Center of Pressure Feedback System for Humanoid Robot Balance Control using ESP32-C3
Department of Computer Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia(印度尼西亚十月份十日理工大学计算机工程系);Graduate School of Science and Technology, Kumamoto University, Japan(日本熊本大学研究生院);The Science and Technology Center of Artificial Intelligence for Healthcare and Society (PUI AIHeS), Indonesia(印度尼西亚人工智能医疗与社会科技中心);Department of Electrical Automation Engineering, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia(印度尼西亚十月份十日理工大学电气自动化工程系);Department of Computing, Imperial College London, United Kingdom(英国伦敦帝国学院计算系)
本研究提出了一种基于ESP32-C3的无线足部压力反馈系统,通过实时估计压力中心提升人形机器人在不平表面的平衡稳定性,实验表明其具有高精度和100%的成功率。
2025-12-24 cs.RO cs.SY eess.SY
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
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
Adaptive Whole-Body MPC with Optimal Posture Planning for Humanoid Robots under Unknown Payloads
VinRobotics;Vingroup;Center for AI Research (CAIR), VinUniversity(VinUniversity人工智能研究中心(CAIR))
本文针对人形机器人未知负载下的平衡问题,提出整合质心MPC、自适应模糊平衡控制器与最优姿态规划器的自适应全身控制架构,经实验验证可提升平衡鲁棒性并降低跟踪退化。
2026-10-12 cs.RO
A Sliding Mode Force and Position Controller Synthesis for Series Elastic Actuators
University of Wollongong(伍伦贡大学);National University of Singapore(新加坡国立大学)
研究了串联弹性作动器的鲁棒力和位置控制问题。研究表明,串联弹性作动器的力控制问题可以用一个只受匹配扰动的二阶动力学模型来描述。然而,位置控制动态的串联弹性致动器是四阶的,包括匹配和失配干扰。换句话说,串联弹性致动器的位置控制比其力控制更复杂,特别是当考虑干扰时。提出了一种基于干扰观测器和滑模控制的串联弹性作动器鲁棒运动控制器。当所提出的鲁棒运动控制器被实施时,串联弹性致动器可以精确地跟踪期望的轨迹,并安全地接触未知的动态环境。所提出的运动控制器不需要精确的动态模型的致动器和环境。因此,它可以应用于许多不同的先进机器人系统,如顺应性人形机器人和外骨骼。实验验证了运动控制器的有效性。
2019-03-13 cs.RO
Whole-Body Control Framework for Humanoid Robots with Heavy Limbs: A Model-Based Approach
Department of Mechanical and Automation Engineering(机械与自动化工程系)
针对重型肢体仿人机器人因肢体运动导致的平衡问题,提出结合运动动力学规划器(MPC方案)与分层优化问题(HQP)的基于模型的全身控制框架,实验表明其可实现动态行走、抗扰动并适应复杂地形。
2025-11-15 cs.RO
Scaling Sampling-based Motion Planning to Humanoid Robots
University of Edinburgh(爱丁堡大学)
规划人形机器人的平衡和无碰撞运动是不平凡的,特别是当它们在复杂的环境中操作时,例如到达障碍物后面的目标或通过狭窄的通道。我们提出了一种方法,使我们能够应用现有的采样为基础的算法规划轨迹人形机器人利用自定义的状态空间表示,有偏的采样策略,和一个强大的逆运动学求解器的基础上的转向功能。我们的方法不需要事先离线计算,因此可以很容易地将工作转移到新的机器人平台上。我们测试了所提出的方法解决实际达到的任务,38度的自由人形机器人,美国宇航局瓦尔基里,表明我们的方法是能够生成有效的运动计划,可以执行先进的全尺寸人形机器人。我们还提出了一个基准之间的不同运动规划算法评估各种达到运动问题。这使我们能够找到合适的算法来解决类人运动规划问题,并确定这些算法的局限性。
2016-07-29 cs.RO
Push Recovery of a Humanoid Robot Based on Model Predictive Control and Capture Point
University of Tehran(德黑兰大学);K. N. Toosi University of Technology(K. N. 图什理工大学)
三个生物启发的策略,已被用于平衡恢复的机器人的脚踝,臀部和步进策略。然而,有几种情况下,步进机器人是不可能的,例如。G.当可用的接触表面有限时。在这种情况下,通过调整上半身的角动量(髋部策略)或零力矩点(ZMP)(脚踝策略)来恢复平衡是必不可少的。在本文中,一个单一的模型预测控制(MPC)计划,用于控制捕获点(CP)到一个期望的位置,通过调制ZMP和质心力矩枢轴(CMP)。所提出的控制器的目标是控制CP,当CP在支撑多边形外时采用CMP,和/或当CP在支撑多边形内时采用ZMP。所提出的算法实现的SURENA III人形机器人的抽象模型。所得到的结果表明,所提出的方法的有效性,在存在严重的推动,即使当支持多边形收缩到一个点或一条线。
2016-12-23 cs.RO
SKATER: Synthesized Kinematics for Advanced Traversing Efficiency on a Humanoid Robot via Roller Skate Swizzles
Institute of Humanoid Robots, Department of Precision Machinery and Precision Instrumentation, University of Science and Technology of China(人形机器人研究所,精密机械与精密仪器系,中国科学技术大学)
SKATER通过在人形机器人脚部安装滚轮实现滑冰步态,利用深度强化学习提升移动效率,显著降低冲击力和能量消耗。
2026-10-15 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
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
Learning Roller-Skating Motions of Humanoid Robots Based on Adversarial Motion Priors
Department of Automation, Tsinghua University(清华大学自动化系);Beijing Key Laboratory of Embodied Intelligence Systems(北京具身智能系统重点实验室);Institute for Embodied Intelligence and Robotics, Tsinghua University(清华大学具身智能与机器人研究所)
研究仿人机器人轮滑运动,提出基于对抗运动先验的强化学习框架,用于泵式滑行和推式滑行两种步态。通过动作捕捉收集数据并处理成参考运动状态,用独立管道学习步态,经模拟实验评估步态相关指标。
2026-07-14 cs.RO
Heavy lifting tasks via haptic teleoperation of a wheeled humanoid
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种用于轮式人形机器人重物搬运的触觉遥操作框架,通过全身运动重定向和实时力反馈实现动态移动操作,实验验证了最大2.5公斤载荷的协调控制。
2025-05-26 cs.RO
PressMimic: Pressure-Guided Motion Capture and Control for Humanoid Robot Imitation
School of Electronic Science and Engineering, Nanjing University(南京大学电子科学与工程学院);Key Laboratory of Optoelectronic Devices and Systems with Extreme Performances of MOE, Nanjing University(南京大学极端性能光电技术与系统教育部重点实验室);BNRist, Tsinghua University(清华大学北京信息科学与技术国家研究中心)
提出PressMimic框架,通过压力模态融合RGB估计3D姿态和全局运动,并利用压力监督策略实现物理一致的接触模式,提升人形机器人模仿的准确性和稳定性。
2026-06-26 cs.CV cs.RO
Humanoid Robot Pitch Axis Stabilization using Linear Quadratic Regulator with Fuzzy Logic and Capture Point
Universitas Gadjah Mada(加查马达大学)
本文的目的是一个控制器,可以稳定的位置控制的人形机器人站着不动或走在人造草坪上,即使受到外部干扰。设计并实现了两种控制器:踝关节策略和步进策略。机器人的关节由位置控制伺服系统组成,由于非线性和不可测参数,其解析模型可能很复杂,因此使用非递归最小二乘系统辨识获得人形机器人的动力学模型。利用该模型设计了一个卡尔曼滤波器,用于从有噪声的惯性测量单元(IMU)传感器中估计系统状态,并设计了线性二次型调节器(LQR)控制器。为了处理非线性,LQR控制器扩展了模糊逻辑算法,根据角度和角速度隶属函数改变LQR增益值。该控制系统能够在受到摆锤干扰甚至弹簧平衡的约束力时保持人形机器人绕俯仰轴的稳定性。
2021-01-22 cs.RO
Preference-Conditioned Multi-Objective RL for Integrated Command Tracking and Force Compliance in Humanoid Locomotion
Tsinghua University, Beijing 100084, China(清华大学,北京100084,中国);Beijing Jiaotong University, Beijing 100044, China(北京交通大学,北京100044,中国)
本文提出基于偏好的多目标强化学习框架,用于实现人形机器人在指令跟踪与力顺应性之间的平衡,通过用户指定偏好输入实现稳定训练和可部署的运动控制。
2026-03-06 cs.RO
Quori: A Community-Informed Design of a Socially Interactive Humanoid Robot
University of Pennsylvania(宾夕法尼亚大学);Semio AI, Inc.(Semio AI公司);USC(南加州大学)
社交互动机器人的硬件平台可能会受到成本或功能缺乏的限制。本文介绍了整体系统-设计,硬件和软件-Quori,一种新颖的,负担得起的,社会互动的人形机器人平台,促进非接触式人机交互(HRI)的研究。该系统的设计是由HRI研究社区的反馈抽样的动机。整体设计保持了可负担性和功能性的平衡。介绍了Quori的初始测试和为期六个月的部署。10个Quori平台已授予来自美国各地的不同研究人员,以促进HRI研究,从一个共同的平台建立一个社区数据库。
2021-09-02 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
Coordinated Humanoid Robot Locomotion with Symmetry Equivariant Reinforcement Learning Policy
针对现有人形机器人深度强化学习方法忽略形态对称性导致动作不协调的问题,本文提出SE-Policy框架,通过嵌入对称等变/不变性提升运动协调性,在仿真和宇树G1实机上速度跟踪精度最高提升40%。
2025-11-16 cs.RO
Learning Humanoid Arm Motion via Centroidal Momentum Regularized Multi-Agent Reinforcement Learning
Department of Mechanical Engineering, Massachusetts Institute of Technology(机械工程系,麻省理工学院)
本文提出肢体级多智能体强化学习框架,通过质心角动量正则化引导手臂运动,实现人形机器人在平地、崎岖地形和楼梯等任务中的鲁棒全身协调控制。
2025-07-05 cs.RO cs.SY eess.SY
Centroidal State Estimation and Control for Hardware-constrained Humanoid Robots
University of Bonn(波恩大学)
针对硬件受限人形机器人,提出结合五质量块模型的质心状态估计方法,配套前馈与反馈控制方案弥补关节跟踪及自由度不足,实现反应性迈步保平衡,经RoboCup 2023硬件验证有效。
2023-12-18 cs.RO
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
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
SkillX: Unified Multi-Skill Policy Learning for Humanoid Soccer
Noetix Robotics(诺蒂克斯机器人公司);Tsinghua University(清华大学)
SkillX提出统一强化学习框架,通过命令条件策略整合对抗性运动先验、特定评论家与物体感知编码器,实现人形足球多技能学习与组合,并在仿真和真实机器人上验证。
2026-09-14 cs.RO
Modeling and Control of a Rigid-soft Hybrid-link Humanoid Robot
The University of Tokyo(东京大学)
本研究针对刚柔混合连杆人形机器人,提出基于逆运动学与柔顺优化的控制框架,采用PCS模型表征柔性结构变形,经仿真与实验验证其在站立、跳跃等运动及平衡控制中的有效性。
2026-10-14 cs.RO
FocusNav: Spatial Selective Attention with Waypoint Guidance for Humanoid Local Navigation
FocusNav通过路径引导的空间交叉注意力机制和稳定性感知的选通门模块,提升人形机器人在动态复杂环境中的导航鲁棒性。
2026-01-19 cs.RO
Learning Safe-Stoppability Monitors for Humanoid Robots
Robotics Institute, Carnegie Mellon University(卡内基梅隆大学机器人研究所);Foundational Technologies, Siemens Corporation(西门子公司基础技术部)
本文提出PRISM框架,通过数据驱动方法学习状态级停止能力,提高安全监控效率并支持人类oid机器人故障安全行为的可扩展认证。
2026-03-24 cs.RO
Dribble Master: Learning Agile Humanoid Dribbling through Legged Locomotion
本文提出一种两阶段课程学习框架,使人形机器人无需显式动力学或预设轨迹即可掌握控球技能,通过模拟虚拟相机和启发式奖励提升球感知能力,实验证明其在多种环境中实现灵活美观的控球行为。
2026-03-14 cs.RO
Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework
本文提出了一种渐进式感知-行动框架,通过分阶段学习提升人类机器人足球技能,实现了高保真踢球与跨环境鲁棒性。
2026-02-05 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
Toward Humanoid Brain-Body Co-design: Joint Optimization of Control and Morphology for Fall Recovery
School of Data Science, The Chinese University of Hong Kong, Shenzhen(数据科学学院,香港中文大学(深圳))
本文提出人形机器人脑-体协同设计框架RoboCraft,通过控制策略与形态的联合迭代优化提升跌倒恢复能力,实验显示其在多个公开人形机器人上平均性能提升44.55%,并验证了形态优化的关键贡献。
2025-11-05 cs.AI cs.RO
GMT: General Motion Tracking for Humanoid Whole-Body Control
UC San Diego(圣迭戈大学);Simon Fraser University(西蒙弗雷泽大学)
针对人形机器人通用全身运动跟踪面临的运动多样性、策略能力及上下肢协调难题,研究提出含自适应采样和运动MoE架构的GMT框架,训练统一策略,经仿真与实机实验验证,在多类运动上实现了当前最优性能。
2025-09-04 cs.RO