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
A Unified and General Humanoid Whole-Body Controller for Versatile Locomotion
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Lab（上海人工智能实验室）
针对现有研究限制人形机器人运动学能力的问题，本文提出统一通用的全身控制器HugWBC，通过通用命令空间与先进训练技术实现多步态自定义及运动-操作结合，实验验证其高精度与鲁棒性，为首个该类控制器。
2025-04-12 cs.AI cs.RO
HOVER: Versatile Neural Whole-Body Controller for Humanoid Robots
NVIDIA（英伟达）；CMU（卡内基梅隆大学）；UC Berkeley（加州大学伯克利分校）；UT Austin（德克萨斯大学奥斯汀分校）；UC San Diego（加州大学圣迭戈分校）
提出HOVER，一个多模式策略蒸馏框架，通过全身运动学运动模仿作为通用抽象，将多种人形机器人控制模式整合为统一策略，实现无缝切换并提升效率与灵活性。
2025-03-06 cs.RO
Revisiting Reward Design and Evaluation for Robust Humanoid Standing and Walking
Oregon State University（俄勒冈州立大学）
本文提出一种低成本定量基准测试方法评估人形机器人站立与行走控制器，并重新设计约束最小的奖励函数，在Digit机器人上验证其能系统识别改进点并与现有控制器进行定量比较。
2024-08-30 cs.RO
RoMoCo: Robotic Motion Control Toolbox for Reduced-Order Model-Based Locomotion on Bipedal and Humanoid Robots
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
RoMoCo是一个开源C++工具箱，通过统一的API集成降阶模型规划器与全身控制器，支持双足和仿人机器人快速原型与可复现基准测试，并在多种机器人上经仿真和硬件验证。
2025-09-23 cs.RO
Towards Adaptive Humanoid Control via Multi-Behavior Distillation and Reinforced Fine-Tuning
针对人形机器人现有单技能策略泛化性差的问题，提出两阶段自适应人形机器人控制（AHC）框架，通过多行为蒸馏和强化微调实现跨技能与地形的自适应运动控制，提升复杂场景适应性。
2025-11-11 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
TEXEDO : Test Time Scaling for Controller-aware Language-conditioned Humanoid Motion Generation
Nanjing University（南京大学）；University of California, Berkeley（加州大学伯克利分校）；Southern University of Science and Technology（南方科技大学）
提出TEXEDO框架，在测试时从预训练生成器中采样多个候选运动，通过动态可行性验证和语义对齐验证选择可执行且任务对齐的最佳运动，提升人形机器人运动生成质量。
2026-06-24 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
Hybrid LMC: Hybrid Learning and Model-based Control for Wheeled Humanoid Robot via Ensemble Deep Reinforcement Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
由于轮式仿人机器人的非线性动力学和欠驱动特性，其运动控制是一个具有挑战性的问题。传统上，反馈控制器被用于稳定和运动。然而，这些方法往往受到所使用的底层模型的保真度、控制器的选择和所考虑的环境变量（表面类型、地面倾斜度等）的限制。强化学习（RL）的最新进展提供了解决这些传统反馈控制器问题的有前途的方法，但需要大量的交互数据来学习。在这里，我们提出了一种混合学习和基于模型的控制器混合LMC，它结合了经典线性二次调节器（LQR）和集成深度强化学习的优点。包围式深度强化学习由多个软执行者-评价者（SAC）组成，用于降低RL网络的方差。通过串联使用反馈控制器，网络在训练的早期阶段表现出稳定的性能。作为一个初步的步骤，我们探索的可行性混合LMC在控制轮式运动的人形机器人在一组不同的物理参数在MuJoCo模拟器。我们的研究结果表明，混合LMC实现了更好的性能相比，其他现有的技术，并提高了样本效率
2022-04-07 cs.RO
Task-specific Self-body Controller Acquisition by Musculoskeletal Humanoids: Application to Pedal Control in Autonomous Driving
The University of Tokyo（东京大学）
针对肌肉骨骼人形机器人复杂柔性体建模难、现有方法无法完全匹配实际机器人与自体影像的问题，构建表征控制输入与任务状态时序关系的神经网络用于实时控制，通过自动驾驶加速踏板控制实验验证了方法有效性。
2024-12-11 cs.RO
HumanoidTurk: Expanding VR Haptics with Humanoids for Driving Simulations
Department of AI Convergence, Gwangju Institute of Science and Technology（人工智能融合系，全州科学技术院）；University of Colorado Boulder（科罗拉多大学博尔德分校）
HumanoidTurk通过人形机器人实现VR驾驶模拟中的触觉反馈，提升沉浸感和真实感，但带来舒适性和晕动症的适度代价。
2026-01-26 cs.HC cs.RO
Hierarchical World Models as Visual Whole-Body Humanoid Controllers
UC San Diego（UC圣地亚哥大学）；New York University（纽约大学）；Meta AI
针对视觉人形机器人全身控制难题，本文提出分层世界模型，由高层视觉智能体向低层执行智能体发令并联合奖励训练，在56自由度仿真机器人的8项任务中获得高性能且更受人类偏好的策略。
2025-05-14 cs.CV cs.LG cs.RO
A Receding Horizon Push Recovery Strategy for Balancing the iCub Humanoid Robot
Istituto Italiano di Tecnologia（意大利理工学院）
平衡和对强大的和意外的推动作出反应是人形机器人的关键要求。我们最近设计了一种基于捕获点的方法，该方法与基于动量的扭矩控制器接口，并在iCub人形机器人上实现和验证。在这项工作中，我们实现了滚动时域控制，也被称为模型预测控制，添加的可能性来预测未来的机器人的演变，特别是由混合动力系统的性质给出的约束切换。我们证明，建议的MPC扩展，使步骤恢复控制器更强大和可靠的执行恢复策略时。仿真实验验证了该方法的有效性。
2017-05-30 cs.RO
MuGen: Multi-Skill Generative Locomotion Controller for Humanoid Robots
Peking University（北京大学）
提出MuGen框架，利用VQ-VAE和教师-学生策略蒸馏，从异构人类运动数据中学习生成式运动表示，使人形机器人能够执行多技能运动并模仿未见过的动作。
2026-05-23 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
Humanoid Self-Collision Avoidance Using Whole-Body Control with Control Barrier Functions
Massachusetts Institute of Technology（麻省理工学院）
这项工作结合了控制障碍功能（CBF）与全身控制器，使自我碰撞避免麻省理工学院的人形。现有的反应控制器的自碰撞避免不能保证无碰撞的轨迹，因为它们不利用机器人的全部动力学，从而损害运动学的可行性。相比之下，所提出的CBF-WBC控制器可以实时推理机器人的欠驱动动力学，以保证无碰撞运动。仿真结果验证了该方法的有效性。首先，一个简单的伸手实验表明，CBF-WBC使机器人的手偏离一个不可行的参考轨迹，以避免自碰撞。第二，CBF-WBC与设计用于动态运动的线性模型预测控制器（LMPC）相结合，并且CBF-WBC用于跟踪LMPC预测。步行实验表明，添加CBF避免腿部自碰撞时，由高层次的规划器提供的脚步位置或摆动轨迹是不可行的真实机器人，并产生可行的手臂运动，提高干扰恢复。
2022-11-06 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
Experimental Comparison of Whole-Body Control Formulations for Humanoid Robots in Task Acceleration and Task Force Spaces
Automation and Control Inst. (ACIN), TU Wien（自动化与控制研究所（ACIN），维也纳技术大学）；Institute of Robotics and Mechatronics, German Aerospace Center (DLR)（机器人与机电研究所，德国航空航天中心（DLR））
本文通过实验比较了人形机器人在任务加速空间和任务力空间中两种完整体控制方案的性能差异，分析了其在不同任务中的鲁棒性及优缺点。
2025-07-24 cs.RO
Closing the Loop on the Poppy Humanoid: Bipedal Locomotion with Linear-Quadratic Control and Learned Cost Functions
Syracuse University（雪城大学）
本文针对开源低成本的Poppy人形机器人，提出结合线性二次调节器（LQR）与学习二次代价函数的闭环行走控制器，经实验验证其行走性能较开环轨迹回放有统计学意义的显著提升。
2026-08-28 cs.RO
HARMONIOUS -- Human-like reactive motion control and multimodal perception for humanoid robots
Czech Technical University in Prague（布拉格捷克技术大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Istituto Italiano di Tecnologia（意大利技术研究院）
针对人形机器人在人群环境中多自由度控制难兼顾动态障碍与人体接近的问题，提出HARMONIOUS反应式控制器，通过二次规划与多模态障碍统一映射实现类人运动，经实验验证有效。
2024-12-10 cs.RO
Biomechanical Comparisons Reveal Divergence of Human and Humanoid Gaits
Zhejiang University（浙江大学）；School of Engineering, Westlake University（西湖大学工程学院）；Ningbo Institute of Materials Technology and Engineering, Chinese Academy of Sciences（中国科学院宁波材料技术与工程研究所）
本研究提出GDAF框架，通过比较人类与仿人步态的生物力学差异，揭示现代仿人控制器在步态对称性、能量分布和关节协调方面的系统性偏差，为提升仿人运动的生物力学保真度和节能性提供基准和工具。
2026-02-25 cs.RO
H-Zero: Cross-Humanoid Locomotion Pretraining Enables Few-shot Novel Embodiment Transfer
ByteDance Seed（字节跳动种子）
H-Zero通过跨人形机器人预训练实现少样本新躯干转移，提升机器人运动控制的通用性和效率。
2025-11-30 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
ULC: A Unified and Fine-Grained Controller for Humanoid Loco-Manipulation
State Key Laboratory of Robotics and Systems, Harbin Institute of Technology（机器人与系统国家重点实验室，哈尔滨工业大学）；School of Engineering, Westlake University（工程学院，西湖大学）
ULC通过统一策略实现人形机器人运动-操作的高精度与鲁棒性，结合多种关键技术提升整体协调性能。
2026-03-02 cs.RO
Continual Humanoid Motion Learning
New York University Abu Dhabi（纽约大学阿布扎比分校）；Fudan University（复旦大学）
针对人形全身运动控制器在持续学习新技能时遗忘旧技能的问题，提出相似性引导的LoRA-PNN策略，通过两级运动相似性度量分配容量，实现强前向迁移和高效率，节省94.5%参数，并在Unitree G1上部署。
2026-10-06 cs.RO
Humanoid Locomotion with a Fly-Inspired Recurrent Controller
The Hong Kong University of Science and Technology（香港科技大学）；Zenbot；Nanyang Technological University（南洋理工大学）；The Hong Kong Polytechnic University（香港理工大学）
本研究提出一种受果蝇启发的循环控制器，通过3,609个神经状态与Unitree G1机器人耦合，在多种地形和速度下完成61/63项测试，揭示直接身体输入和携带运动状态对运动支持的关键作用。
2026-09-24 cs.RO
Exploiting Hierarchical Controller Structure in Contextual Parameter Learning for Humanoid Loco-Manipulation
TU Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Hessian Centre for Artificial Intelligence（黑森州人工智能中心）
本文提出一种情境贝叶斯优化框架，利用层级控制器结构联合学习参数，在人形推箱任务中实现最低平均遗憾。
2026-10-06 cs.LG cs.RO
HumanoidVLM: Vision-Language-Guided Impedance Control for Contact-Rich Humanoid Manipulation
Skolkovo Institute of Science and Technology（斯克尔科沃科学与技术研究所）
HumanoidVLM通过视觉-语言模型和检索增强生成模块，实现人形机器人在接触密集场景中的自适应阻抗控制与抓取配置选择。
2026-01-21 cs.RO
Hierarchical Optimization for Whole-Body Control of Wheeled Inverted Pendulum Humanoids
Institute of Robotics and Intelligent Machines（机器人与智能机构研究所）
本文提出了一种用于轮式倒立摆人形机器人的全身控制框架，通过分层优化方法实现多任务的同时执行，同时考虑关节角度和扭矩限制，以提高整体性能。
2018-10-07 cs.RO cs.SY eess.SY
Scalable and General Whole-Body Control for Cross-Humanoid Locomotion
Tsinghua University（清华大学）
提出XHugWBC框架，通过形态随机化、语义对齐观测动作空间和有效策略架构，实现单次训练后跨多种人形机器人的零样本泛化控制。
2026-06-09 cs.RO
Data-Efficient and Safe Learning for Humanoid Locomotion Aided by a Dynamic Balancing Model
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
在这封信中，我们制定了一个新的马尔可夫决策过程（MDP）的安全和数据有效的学习人形运动的动态平衡模型的帮助下。在我们以前的研究中，我们依赖于一个低维的机器人模型，通常用于高层次的行走模式生成器（WPG）。然而，由于全阶模型和简化模型之间的差异，低级反馈控制器不能精确地跟踪期望的脚步位置。在这项研究中，我们提出通过用强化学习补充WPG来缓解这个问题。更具体地说，我们提出了一种结构化的脚步控制方法，由一个WPG，一个神经网络，和一个安全控制器。WPG提供了一种分析方法，该方法促进了有效的学习，而神经网络使长期回报最大化，并且安全控制器鼓励基于步骤捕获能力和控制屏障功能的使用的安全探索。我们的贡献包括以下几点：（1）用于运动的结构化学习控制方法，（2）使用基于物理的模型来改善步行的数据高效且安全的学习过程，以及（3）该过程对各种类型的可扩展性人形机器人和步行。
2020-04-20 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
Momentum Control of Humanoid Robots with Series Elastic Actuators
Istituto Italiano di Tecnologia（意大利技术研究院）
类人机器人可能需要在关节水平上具有一定程度的顺应性，以提高效率、耐冲击性以及与人类的安全交互。然而，关节弹性的存在使得平衡和行走控制器的设计复杂化。本文提出了一种控制框架，用于扩展基于动量的控制器开发的刚性执行器的情况下，串联弹性执行器。关键是将电机速度作为中间控制输入，然后应用高增益控制来稳定期望的电机速度，从而实现动量控制。机器人iCub模型上进行的仿真验证了所提出的方法的合理性。
2017-03-06 cs.RO math.OC
HALOMI: Learning Humanoid Loco-Manipulation with Active Perception from Human Demonstrations
Shanghai Jiao Tong University（上海交通大学）；University of Sussex（萨塞克斯大学）；East China University of Science and Technology（华东理工大学）
提出HALOMI框架，通过扩展通用操控接口(UMI)实现主动感知，利用流形约束控制器和观察-动作对齐，使Unitree G1人形机器人在五项真实任务中平均成功率达85%。
2026-06-18 cs.RO
PPF: Pre-training and Preservative Fine-tuning of Humanoid Locomotion via Model-Assumption-based Regularization
Georgia Institute of Technology（佐治亚理工学院）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出PPF框架，通过模仿模型控制器预训练、强化学习微调及模型假设正则化，防止灾难性遗忘，在Digit人形机器人上实现1.5米/秒速度及多地形稳健运动。
2025-09-02 cs.RO
Real-World Humanoid Locomotion with Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）
针对人形机器人经典控制器泛化适配能力不足的问题，提出基于因果Transformer的全学习运动控制方法，通过仿真大规模无模型强化学习训练，零样本部署到现实世界，实现多地形行走、抗干扰及上下文自适应。
2023-12-14 cs.LG 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
A Fast and Stable Omnidirectional Walking Engine for the Nao Humanoid Robot
University of Aveiro（阿威罗大学）
本文提出了一个框架，旨在产生一个闭环步行引擎的人形机器人。特别是，这个框架的核心是一个抽象的动力学模型，这是由两个质量，代表了下，上半身的人形机器人。此外，根据所提出的动力学模型，低级别的控制器被配制为线性二次高斯（LQG）控制器，能够鲁棒跟踪期望的轨迹。此外，该框架是完全参数化的，这允许使用优化算法来找到最佳参数。为了检查所提出的框架的性能，一组模拟使用模拟Nao机器人在RoboCup 3D仿真环境中进行了。仿真结果表明，该框架能够提供快速可靠的全方位行走。在使用遗传算法（GA）优化参数后，我们已经实现的最大向前步行速度为$80.5cm/s$。
2019-06-27 cs.RO
KPI: A Promptable Kernel for Physical Interaction on Humanoids
Carnegie Mellon University（卡内基梅隆大学）；Autel US；Northeastern University（东北大学）
KPI提出一个可提示内核，通过轨迹源发送的契约调整全身跟踪器的刚度等参数，实现无需任务特定代码的物理交互，并在绞盘、开门等任务中验证。
2026-09-30 cs.RO
Learning Multi-Modal Whole-Body Control for Real-World Humanoid Robots
Collaborative Robotics and Intelligent Systems Institute (CoRIS)（协同机器人与智能系统研究所）
本文提出了一种多模态全身控制器，通过统一接口实现多样化的人形机器人行为控制，展示了在仿真和真实世界中的有效性。
2026-04-21 cs.AI cs.RO
A Benchmarking of DCM Based Architectures for Position and Velocity Controlled Walking of Humanoid Robots
Fondazione Istituto Italiano di Tecnologia（意大利技术研究院）
本文致力于发展和比较发散分量的运动（DCM）为基础的控制架构的人形机器人运动。更确切地说，我们提出并比较了几个DCM的三层控制架构的实现。从上到下，这里称这三层为：轨迹优化、简化模型控制和全身QP控制。所有层都使用DCM概念为下面的层生成引用。对于简化的模型控制层，我们提出并比较瞬时和滚动时域控制控制器。对于全身QP控制层，我们提出并比较位置和速度控制机器人的控制器。实验结果在一米高的iCub人形机器人上进行。我们展示了上述控制架构的实现方式，使机器人能够实现每秒0.41米的步行速度。
2018-11-10 cs.RO
Dynamic Properties and Motion Reproducibility of a Compact Pneumatically Actuated Humanoid Upper Body for Data-Driven Control
Symbiotic Intelligent Systems Research Center, Institute for Open and Transdisciplinary Research Initiatives, The University of Osaka（共生智能系统研究中心，开放与跨学科研究倡议研究所，大阪大学）；International Professional University of Technology in Osaka, Umeda, Kita-ku, Osaka, Japan（大阪国际专业技术大学，乌梅达，北区，大阪，日本）；Chubu University Academy of Emerging Sciences, Kasugai, Aichi, Japan（名古屋大学新兴科学学院， Kasugai，爱知，日本）
本文研究了紧凑型13自由度气动仿人上身机器人的动态特性与运动可重复性，基于多层感知机实现4自由度臂部子系统的数据驱动控制，验证了数据驱动方法在高自由度气动机器人控制中的有效性。
2026-09-14 cs.RO
Orientation-Aware Model Predictive Control with Footstep Adaptation for Dynamic Humanoid Walking
Massachusetts Institute of Technology（麻省理工学院）
提出了一种新的动态仿人步行的方向感知模型预测控制（MPC），可以在线规划脚步位置。而不是一个点质量模型，这项工作使用增强单刚体模型（aSRBM），使MPC利用方向动力学和步进策略在一个统一的优化框架。在足迹位置作为aSRBM中的决策变量的一部分的情况下，MPC可以在运动学约束内推理步进。任务空间控制器（TSC）跟踪MPC输出的身体姿势和摆动腿参考，同时利用人形机器人的全阶动力学。所提出的控制框架是适合于实时应用，因为MPC和TSC制定为二次规划。仿真研究表明，方位感知MPC为基础的框架是更强大的外部转矩干扰相比，国家的最先进的控制器使用点质量模型，特别是当躯干经历大的角偏移。同样的控制框架也可以使麻省理工学院的人形机器人克服不平坦的地形，例如穿越波场。
2022-07-25 cs.RO
CoTaP: Compliant Task Pipeline and Reinforcement Learning of Its Controller with Compliance Modulation
Department of Robotics, Mohamed bin Zayed University of Artificial Intelligence（机器人系，Mohamed bin Zayed人工智能大学）
针对类人机器人交互柔顺性不足，提出CoTaP管线，采用两阶段双智能体强化学习结合模型柔顺控制，并在SPD流形上调制柔顺，仿真验证了不同柔顺设置下的抗扰性能。
2025-10-06 cs.RO
HITTER: A HumanoId Table TEnnis Robot via Hierarchical Planning and Learning
University of California, Berkeley（加州大学伯克利分校）
针对仿人机器人在动态快速交互任务中的局限，提出融合模型规划与强化学习的分层框架，结合人类运动参考，在通用仿人机器人上实现亚秒级反应的乒乓球对打，验证了敏捷交互行为的可行性。
2025-09-04 cs.RO
DemoHLM: From One Demonstration to Generalizable Humanoid Loco-Manipulation
Peking University（北京大学）；BeingBeyond
提出 DemoHLM 框架，通过分层结构集成全身控制器与高级操作策略，仅需仿真中的单次演示即可在真实人形机器人上实现可泛化且鲁棒的移动操作。
2025-10-13 cs.LG cs.RO
FARM: Frame-Accelerated Augmentation and Residual Mixture-of-Experts for Physics-Based High-Dynamic Humanoid Control
FARM通过帧加速增强与残差混合专家框架提升物理人形控制器在高动态动作上的跟踪能力，并发布首个高动态人形运动基准HDHM，显著降低失败率和位置误差。
2025-08-27 cs.RO
A Control Architecture with Online Predictive Planning for Position and Torque Controlled Walking of Humanoid Robots
Istituto Italiano di Tecnologia（意大利理工学院）；Università degli Studi di Genova（热那亚大学）；Google DeepMind（谷歌DeepMind）
人形机器人的行走模式的生成的一种常见方法包括采用分层控制架构。本文提出了一种由三个嵌套的控制回路组成的体系结构。外环利用机器人运动学模型来规划脚步位置。在中间层，预测控制器根据众所周知的桌车模型生成质心轨迹。通过一个全身逆运动学算法，我们可以定义关节参考位置控制行走。这两个循环的结果，然后解释为输入的堆栈的任务QP为基础的转矩控制器，这代表了所提出的控制架构的内环。由此产生的架构允许机器人也在扭矩控制下行走，保证更高水平的顺应性。在人形机器人iCub上进行了真实世界的实验。
2018-07-14 cs.RO
Dynamic Locomotion For Passive-Ankle Biped Robots And Humanoids Using Whole-Body Locomotion Control
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Stanford University（斯坦福大学）
全身控制是一种面向任务的反馈控制方法，用于人形机器人的局部操作行为。WBC和基于模型的步行控制器的组合已被广泛应用于各种人形机器人中。然而，到目前为止，WBC方法还没有被用于无支撑的被动踝关节动态运动。因此，在本文中，我们设计了一个新的WBC，被称为全身运动控制器（WBLC），可以实现实验动态行走无支撑被动踝关节机器人。WBLC的一个关键方面是接触约束的放松，使得控制命令在切换脚接触时产生减少的急动。为了实现强大的动态运动，我们进行了深入的分析，我们的动态步行算法称为时间速度反转（TVR）规划的不确定性。不确定性研究是基础，因为它使我们能够改进我们的机器人的控制算法和机械结构，以满足容忍的不确定性。此外，我们进行了大量的实验：1）无支撑的动态平衡（即原地踏步）与六自由度（DoF）的机器人，水星; 2）无支撑的方向行走与水星; 3）行走在不规则和光滑的地形与水星;和4）原地行走与我们新设计的十自由度粘弹性液体冷却机器人，DRACO。总体而言，这项工作的主要贡献是：a）实现被动踝两足动物使用WBLC控制器和TVR规划器的无支撑动态运动的各种模式，b）进行不确定性分析，以改善水星的机械结构和控制器，以及c）设计一个全身控制策略，减少行走过程中的运动抖动。
2019-01-23 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
SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics
Mechanical and Civil Engineering, California Institute of Technology（加州理工学院机械与土木工程系）；Aerospace Engineering and Engineering Mechanics, UT Austin（德克萨斯大学奥斯汀分校航空航天工程与工程力学系）；Computer Science, Cornell University（康奈尔大学计算机科学系）
提出SHIELD框架，通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全，为黑箱RL控制器添加最小侵入式安全层，在Unitree G1人形机器人上实现安全导航。
2026-06-23 cs.RO
Perpetual Humanoid Control for Real-time Simulated Avatars
Reality Labs Research, Meta（Meta 现实实验室研究部）；Carnegie Mellon University（卡内基梅隆大学）
提出基于物理的人形控制器及渐进式乘法控制策略（PMCP），实现高保真动作模仿与容错，支持大规模动作学习与失败状态恢复，无需重置即可持续控制实时模拟虚拟人。
2023-09-11 cs.CV cs.GR cs.RO
EgoAlign: Bridging the Human-Humanoid Gap for Long-Range Loco-Manipulation
Beihang University（北京航空航天大学）；Alibaba Group（阿里巴巴集团）；Shanghai Innovation Institute（上海创新研究院）；Sichuan University（四川大学）
EgoAlign通过执行反馈和控制器在环细化，将自我中心人类演示转化为适配人形机器人的动作监督，实现零样本远程操作-操控策略，提升物理拾取成功率并减少采集时间。
2026-10-05 cs.RO
