HumanPlus: Humanoid Shadowing and Imitation from Humans
Stanford University（斯坦福大学）
本文提出HumanPlus全栈系统，通过强化学习低层策略实现RGB视觉人体影子跟随，并结合遥操作数据与行为克隆，让33自由度人形机器人自主掌握多种全身任务。
2024-06-15 cs.AI cs.CV cs.LG
Learning agile and dynamic motor skills for legged robots
ETH Zurich（苏黎世联邦理工学院）；Intel（英特尔）
足式机器人是机器人技术中最大的挑战之一。动物的动态和敏捷的动作不能被人类制作的现有方法模仿。另一个引人注目的替代方案是强化学习，它需要最少的工艺，并促进控制策略的自然演变。然而，到目前为止，针对足式机器人的强化学习研究主要局限于仿真，只有很少且非常简单的例子被部署在真实系统上。主要原因是，使用真实机器人进行训练，特别是使用动态平衡系统进行训练，既复杂又昂贵。在目前的工作中，我们介绍了一种方法，用于训练神经网络政策模拟和转移到一个国家的最先进的腿系统，从而利用快速，自动化，具有成本效益的数据生成方案。该方法适用于ANYmal机器人，一个复杂的中型狗大小的四足系统。使用在模拟中训练的策略，四足机器实现了超越先前方法的运动技能：ANYmal能够精确和节能地遵循高水平的身体速度命令，比以前跑得更快，甚至在复杂的配置中从跌倒中恢复。
2019-01-24 cs.LG cs.RO stat.ML
HuMI: Humanoid Whole-Body Manipulation from Humanoid-Free Demonstrations
Tsinghua University（清华大学）；Shanghai Qi Zhi Institute（上海启智研究院）；Shanghai Jiao Tong University（上海交通大学）
HuMI通过便携硬件实现无需机器人演示的全身体验操控，提升数据收集效率并提高未见环境中的任务成功率。
2026-11-10 cs.AI cs.LG cs.RO
Identifying Important Sensory Feedback for Learning Locomotion Skills
University of Edinburgh（爱丁堡大学）；Shenzhen Amigaga Technology Co Ltd（深圳阿米嘎嘎科技有限公司）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院（EPFL））；University College London（伦敦大学学院）
本文提出一种系统显著性分析方法，定量评估深度强化学习中不同反馈状态对机器人运动技能的相对重要性，识别出关键状态并证明仅使用关键状态即可实现与全状态相当的性能，为机器人运动学习提供了指南。
2023-06-29 cs.LG cs.RO
Foundational Policy Acquisition via Multitask Learning for Motor Skill Generation
Kyoto University（京都大学）；Advanced Telecommunications Research Institute International (ATR)（国际电气通信基础技术研究所（ATR））
本研究提出一种用于基础策略获取的多任务强化学习算法，通过构建编码器-解码器网络及网络选择机制，使策略能适应多变的动态运动任务，并成功生成全新的运动技能。
2025-03-02 cs.LG cs.RO
Mimicking the Maestro: Exploring the Efficacy of a Virtual AI Teacher in Fine Motor Skill Acquisition
IBM Research - Israel（IBM以色列研究院）；Newcastle University（纽卡斯尔大学）；Universita’ Campus Bio-Medico di Roma（罗马生物医学大学）
本研究提出一个模拟人类教师特征的虚拟AI教师模型，并在强化学习环境中验证其能显著提升精细运动技能学习表现、加快习得速度并降低结果变异，展示了AI与机器人技术革新运动技能教学的潜力。
2024-01-24 cs.LG
Humanoid-Gym: Reinforcement Learning for Humanoid Robot with Zero-Shot Sim2Real Transfer
Shanghai Qi Zhi Institute（上海期智研究院）；RobotEra TECHNOLOGY CO., LTD.（RobotEra科技有限公司）；Tsinghua University（清华大学）
本研究提出基于Nvidia Isaac Gym的Humanoid-Gym强化学习框架，支持人形机器人运动技能训练与零样本Sim2Real迁移，还集成多仿真验证机制，已在两款人形机器人上完成真实环境验证。
2024-05-18 cs.AI cs.LG 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
Neural probabilistic motor primitives for humanoid control
DeepMind（深度思维）
我们专注于学习一个单一的电机模块，可以灵活地表达一系列的行为控制的高维物理模拟类人的问题。要做到这一点，我们提出了一个电机架构，具有一般结构的逆模型与潜在变量的瓶颈。我们证明了完全离线训练这个模型来压缩数千个专家策略并学习一个电机原始嵌入空间是可能的。经过训练的神经概率运动原始系统可以对全身人形行为进行一次性模仿，鲁棒地模仿看不见的轨迹。此外，我们证明，它也是直接的训练控制器，以重复使用的学习电机原始空间来解决任务，由此产生的运动是相对自然的。为了支持我们模型的训练，我们比较了两种离线策略克隆的方法，包括一种经验有效的方法，我们称之为线性反馈策略克隆。我们鼓励读者观看总结我们结果的补充视频（https://youtu.be/CaDEf-QcKwA）。
2019-01-15 cs.AI cs.LG cs.RO
Estimation and Control of Motor Core Temperature with Online Learning of Thermal Model Parameters: Application to Musculoskeletal Humanoids
The University of Tokyo（东京大学）
针对机器人持续运动中的电机温度管控问题，提出电机热模型参数在线学习方法以精准估计铁芯温度，结合更新模型的温度管理与异常检测方案，在肌肉骨骼人形机器人肌肉上验证了持续运动能力。
2024-07-10 cs.RO
From Rolling Over to Walking: Enabling Humanoid Robots to Develop Complex Motor Skills
Worcester Polytechnic Institute（伍斯特理工学院）
本文提出一种基于成就触发多路径奖励函数的强化学习方法，使类人机器人在单一训练阶段学习从翻身到行走的复杂运动技能，并在模拟环境中提升成功率与学习速度。
2023-11-13 cs.RO
Achieving Synergy in Cognitive Behavior of Humanoids via Deep Learning of Dynamic Visuo-Motor-Attentional Coordination
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Indian Institute of Technology, Guwahati（印度理工学院古瓦哈提分校）
目前的研究探讨了如何充分协调不同的认知过程，包括视觉识别，注意力转换，动作准备和生成，可以通过引入一种新的模型，视觉运动深度动态神经网络（VMDNN）的机器人学习开发。所提出的模型是建立在一个动态视觉网络，电机发电网络，并在这两个顶部分配一个更高级别的网络耦合。使用iCub模拟器的模拟实验进行了认知任务，包括视觉对象操作响应人类手势。结果表明，协同协调可以通过整个网络的迭代学习时，时空层次和时间可以自组织的视觉通路和运动通路中，分别，这样，更高的水平可以操纵他们的抽象。
2015-07-09 cs.AI cs.LG 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
A 21-DOF Humanoid Dexterous Hand with Hybrid SMA-Motor Actuation: CYJ Hand-0
本文提出CYJ Hand-0，一款21自由度人形灵巧手，通过结合SMA与直流电机的混合腱驱动系统及3D打印金属骨架，实现仿人手的屈曲、伸展与外展动作，实验验证了其仿生灵巧性。
2025-07-19 cs.RO
Hierarchical visuomotor control of humanoids
DeepMind（深度思维）
我们的目标是构建复杂的人形代理，集成感知，运动控制和记忆。在这项工作中，我们部分因素，这个问题到低层次的运动控制从本体感觉和高层次的协调低层次的技能通知视觉。我们开发了一个架构，能够令人惊讶的灵活性，任务导向的电机控制的一个相对较高的自由度的人形身体相结合的预训练低级别的电机控制器与高级别的，以任务为中心的控制器之间切换低级别的子政策。由此产生的系统是能够控制一个物理模拟的人形身体来解决任务，需要耦合视觉感知从一个不稳定的自我中心的RGB相机在运动的环境中。有关补充视频链接，请参见https://youtu.be/7GISvfbykLE。
2019-01-15 cs.AI cs.RO
HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos
HumanX通过人类视频实现敏捷且可推广的人形交互技能，无需任务特定奖励，展示出高泛化能力。
2026-10-12 cs.LG cs.RO
Switch: Learning Agile Skills Switching for Humanoid Robots
The Hong Kong University of Science and Technology（香港科学与技术大学）
本文提出Switch系统，通过技能图和强化学习实现人形机器人灵活的技能切换，提高运动模仿性能和任务完成效率。
2026-04-16 cs.RO
CHOREO: Every Humanoid Skill as a Trajectory
Ocean University of China（中国海洋大学）；University of Chinese Academy of Sciences（中国科学院大学）；Chinese Academy of Sciences（中国科学院）
CHOREO将异构人形技能统一表示为可执行轨迹，通过免训练组合实现高成功率的多动作序列执行。
2026-09-22 cs.RO
Humanoid Hanoi: Investigating Shared Whole-Body Control for Skill-Based Box Rearrangement
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（协作机器人与智能系统研究所，俄勒冈州立大学）
本文提出了一种基于共享全身控制器的技能型方块重组框架，通过数据聚合提升长时域鲁棒性，并在Humanoid Hanoi基准上验证了其有效性。
2026-10-14 cs.RO
A Humanoid Social Agent Embodying Physical Assistance Enhances Motor Training Experience
Istituto Italiano di Tecnologia（意大利理工学院）；University of Genoa（热那亚大学）
熟练的运动行为在许多人类日常生活活动和职业中至关重要。设计能够有效教授运动技能的机器人是机器人领域的一个重要挑战。特别是，重要的是要了解是否参与训练的机器人表现出社会行为的学习和经验的人类学生的影响。在这项研究中，我们解决了这个问题，我们要求参与者学习一个复杂的任务-稳定倒立摆-通过训练与机器人操纵器提供的物理援助，手腕机器人。一组参与者只使用Wristbot进行训练，而另一组则使用人形机器人iCub进行相同的物理帮助，iCub扮演专家教练的角色，并表现出一些社会行为。获得的结果表明，这两组的参与者有效地获得了技能，利用物理援助，因为他们显着提高了他们的稳定性能，即使在援助被删除。此外，在与人形机器人助理互动的背景下学习，使受试者的动机增加，更愉快的训练体验，而不会对注意力和感知努力产生负面影响。在这项研究中提出的实验方法，它是可能的，以开发有效的机器人教练员的目的，在由人机交互介导的运动学习的背景下，触觉和社会信号的相对贡献进行调查。
2020-10-30 cs.RO
Humanoid Badminton: Learning Dynamic Racket Skills from Limited Human Motion Data
针对人形机器人羽毛球中数据稀缺与动作不自然的问题，提出三阶段分层强化学习框架，通过动作增强、技能规划和对抗正则化，首次实现真实机器人多技能人机对打。
2026-10-20 cs.RO
Being-0: A Humanoid Robotic Agent with Vision-Language Models and Modular Skills
Peking University（北京大学）；BAAI（百度人工智能研究院）；BeingBeyond
本文提出 Being-0 分层人形机器人框架，通过 FM、轻量 VLM Connector 与模块化技能库协同，实现复杂长时程导航与操作任务的实时鲁棒执行。
2025-05-11 cs.LG 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
Tree Learning: A Multi-Skill Continual Learning Framework for Humanoid Robots
School of Future Technology, Shanghai University（上海大学未来技术学院）
本文提出Tree Learning框架，通过参数继承机制和多模态适应机制，实现双足机器人多技能连续学习，避免灾难性遗忘，提升技能切换和交互控制性能。
2026-04-14 cs.RO
RPG: Robust Policy Gating for Smooth Multi-Skill Transitions in Humanoid Fighting
Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（人工智能与机器人中心，深圳国际研究生院，清华大学）；Shanghai AI Laboratory（上海人工智能实验室）；Northwestern Polytechnical University（西北工业大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出RPG框架，通过动作过渡随机化和时间随机化训练统一策略，实现人类oid多技能平滑稳定过渡，并设计控制管道整合步行/跑步与战斗技能，实验证明其有效性与鲁棒性。
2026-07-01 cs.RO
Learning Motion Skills with Adaptive Assistive Curriculum Force in Humanoid Robots
受人类学习技能依赖外部支持的启发，提出A2CF框架，通过双智能体系统施加自适应辅助课程力引导仿人机器人学习，显著加快收敛速度并降低失败率，最终获得无需支持的稳健策略。
2025-06-29 cs.RO
Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data
Tsinghua University（清华大学）；Peking University（北京大学）；Galbot Inc.（Galbot公司）；Shanghai Qi Zhi Institute（上海启智研究所）；Shanghai AI Laboratory（上海人工智能实验室）
本文提出LATENT系统，通过不完美的网球运动数据学习人形机器人网球技能，提升真实场景中的网球表现。
2026-03-13 cs.RO
From Hitter to Player: Separating Motor Execution and Strategy in Competitive Humanoid Table Tennis
Zhejiang University（浙江大学）；Ocean University of China（中国海洋大学）；Tongji University（同济大学）；Shanghai Innovation Institute（上海创新研究院）；Tsinghua University（清华大学）；RoboParty Lab（RoboParty实验室）
本研究在竞技人形乒乓球中分离动作执行与策略，通过三步训练提升动作策略，冻结动作栈后训练的策略在比赛中表现优异，可与人类对手完成完整11分制比赛。
2026-10-14 cs.RO
Learning robot motor skills with mixed reality
Brown University（布朗大学）；MERL（三菱电机研究实验室）
混合现实（MR）最近显示出巨大的成功，作为一个直观的界面，使最终用户能够教机器人。相关工作已经使用MR接口将机器人意图和信念传达给共处的人类，以及开发用于获取多模态人类输入和学习复杂运动行为的算法。即使取得了这些成功，使最终用户能够教机器人复杂的运动任务仍然是一个挑战，因为最终用户的沟通是高度依赖于任务和世界知识是高度多样化的。我们提出了一个学习框架，最终用户教机器人a）运动演示，b）任务约束，c）规划表示，和d）对象信息，所有这些都集成到一个单一的运动技能学习框架的基础上动态运动原语（DMP）。我们假设，传达这个世界的知识将是直观的MR接口，并结合不同形式的世界知识的样本高效的运动技能学习框架将使机器人能够有效地解决复杂的任务。
2022-03-21 cs.LG cs.RO
Keep on Going: Learning Robust Humanoid Motion Skills via Selective Adversarial Training
针对强化学习人形机器人运动策略易受干扰失稳的问题，提出SA2RT选择性对抗训练方法，在宇树G1上验证可显著提升地形穿越成功率、降低跟踪误差，实现鲁棒长时域运动。
2025-11-13 cs.RO
Human-Humanoid Robots Cross-Embodiment Behavior-Skill Transfer Using Decomposed Adversarial Learning from Demonstration
T-Stone Robotics Institute（天石机器人研究所）；The Chinese University of Hong Kong（香港中文大学）；Idiap Research Institute（伊迪亚普研究所）
针对人形机器人高自由度导致的数据收集困难，提出跨本体技能迁移框架，利用数字人模型和对抗模仿学习行为原语，将复杂结构分解为功能组件独立训练并动态协调，通过人-物交互图实现任务泛化，在五台机器人上验证有效降低数据需求并提升迁移效率。
2024-12-19 cs.AI cs.RO
VICAR: Video Imitation with Contact-Aware Retargeting for Humanoid Interactive Skills
University of California, Berkeley（加州大学伯克利分校）
该研究提出VICAR框架，从第三人称人类视频学习人形机器人交互技能，通过接触感知重定向保留关键运动信息，经10类技能验证后成功部署到硬件，为机器人模仿学习提供新方案。
2026-10-12 cs.RO
KungfuBot2: Learning Versatile Motion Skills for Humanoid Whole-Body Control
Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信）；Shanghai Jiao Tong University（上海交通大学）；East China University of Science and Technology（东华大学）
本文提出统一全身控制器 VMS，通过混合跟踪目标、正交专家混合架构和分段级跟踪奖励，使单一策略掌握多样动态人形运动技能，并在仿真与真实实验中验证了其精确模仿、长时程稳定性和强泛化能力。
2025-09-20 cs.AI cs.RO
RoboReact: Agentic Skill Distillation from Generated Egocentric Videos for Generalizable Whole-Body Manipulation
本研究提出RoboReact框架，通过生成自我中心视频并结合视觉语言引导的闭环控制，实现人形机器人全身操控技能的通用获取，可在多样场景中稳健执行。
2026-08-06 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
Unleashing Humanoid Reaching Potential via Real-world-Ready Skill Space
IIIS, Tsinghua University（清华大学人工智能研究院）；Peking University（北京大学）；Galbot；Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Qi Zhi Institute（上海智院）；Nanjing University（南京大学）；Tongji University（同济大学）
本研究提出R2S2方法，通过现实-ready技能空间提升人形机器人在现实环境中的抓取能力，实现高效且鲁棒的仿真到现实转移。
2025-12-18 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
Seamless Integration and Coordination of Cognitive Skills in Humanoid Robots: A Deep Learning Approach
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Okinawa Institute of Science and Technology（冲绳科学技术大学院大学）
本研究探讨如何充分协调之间的不同认知过程的人形机器人可以通过端到端的学习直接感知的视觉流。我们提出了一个深度动态神经网络模型，该模型建立在动态视觉网络、电机生成网络和更高级别的网络之上。该模型的目的是处理和集成的层次模型，其特点是不同的空间和时间的限制施加在每个级别上的动态视觉模式的直接感知。我们进行了合成机器人实验，其中机器人学会通过观察手势来读取人类的意图，然后生成相应的目标导向动作。结果表明，该模型能够学习辅导技能，并将其推广到新的情况。该模型表现出知觉、行动和决策的协同协调，并以无缝的方式整合和协调了一系列认知技能，包括视觉感知、意图阅读、注意转换、工作记忆、行动准备和执行。分析表明，连贯的内部表征出现在层次结构的每一个级别。通过持续整合较低层次的视觉-本体感受流，发展出反映视觉意图的较高层次的表征。
2017-06-08 cs.AI cs.LG cs.RO
DreamControl-v2: Simpler and Scalable Autonomous Humanoid Skills via Trainable Guided Diffusion Priors
General Robotics, USA（美国通用机器人公司）；Brown University, USA（美国布朗大学）；University of California, Berkeley, USA（美国加州大学伯克利分校）
本文提出改进的DreamControl框架，通过在人形机器人运动空间中训练引导扩散模型，整合多样化的人类和机器人数据集，提升技能范围和自动化程度，验证了生成参考轨迹的扩展性对下游RL策略的重要性。
2026-03-31 cs.RO
Intelligent humanoids in manufacturing to address worker shortage and skill gaps: Case of Tesla Optimus
Oakland University（奥克兰大学）；Strathclyde University（思克莱德大学）；Stuttgart University（斯图加特大学）
本文以特斯拉Optimus为例，提出将智能人形机器人集成到制造自动化的框架，并通过精益装配单元仿真验证其可提升制造自动化水平，同时强调人机协作安全标准与投资回报评估的重要性。
2023-04-11 cs.RO cs.SY eess.SY
FRAMES: Failure Recovery And Monitoring of Embodied Skills for Humanoid Loco-Manipulation
Duke University（杜克大学）
FRAMES提出一个针对Unitree G1仿人机器人的失败感知监督框架，通过视觉语言模型监控技能执行并触发恢复，在MuJoCo中达到94%的监控准确率。
2026-09-22 cs.AI cs.RO
Tello Leg: The Study of Design Principles and Metrics for Dynamic Humanoid Robots
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文介绍 TELLO 机器人腿部，提出协同驱动与近端驱动两项设计原则，并用 CII 指标量化电机布置对动态性能的影响。
2022-03-01 cs.RO
Learning Agile Striker Skills for Humanoid Soccer Robots from Noisy Sensory Input
Department of Computer Science, The University of Texas at Austin（德克萨斯大学计算机科学系）
本文提出基于强化学习的系统，使人形机器人能适应不同球门配置持续稳健踢球，通过四阶段训练提升踢球准确性和得分成功率。
2026-05-10 cs.RO
SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision
The University of Hong Kong（香港大学）；Kinetix AI
本文提出SMASH系统，通过整合可扩展的全身技能学习与 onboard 装置视觉感知，实现无需外部摄像头的敏捷人形乒乓球任务，提升了全身协调与击球动作的多样性和鲁棒性。
2026-04-01 cs.RO
Motion Primitive Discovery in a Humanoid Robot via Self-Organising Maps for Phase Recognition
Department of Applied Informatics Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学应用信息学系）
受镜像神经元系统启发，提出两级架构用于人形机器人运动原语发现和在线相位识别。第一级用自组织映射学习运动学表示，第二级用回声状态网络评估激活轨迹。集成SOM和ESN方法，实现运动原语表示及相位识别，验证相关计算假设。
2026-07-22 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
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
Track-and-Complete: Learning Humanoid Skills from a Single Failed Human Video
Yonsei University（延世大学）
提出TRACC流水线，从单个失败人类视频中提取可用运动前缀并推断任务结果，以在无成功示范时完成人形机器人技能学习，实验验证其有效性。
2026-11-04 cs.CV cs.RO
Let Humanoids Hike! Integrative Skill Development on Complex Trails
University of Michigan（密歇根大学）
本文提出LEGO-H学习框架，通过时间视觉Transformer与分层强化学习、潜在运动表示与分层度量学习，使人形机器人能在复杂小径上自主远足，综合提升感知、决策与运动执行能力。
2025-05-09 cs.AI cs.CV 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
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
OKAMI: Teaching Humanoid Robots Manipulation Skills through Single Video Imitation
UT Austin（德克萨斯大学奥斯汀分校）；NVIDIA Research（英伟达研究院）
本文提出OKAMI方法，通过单个RGB-D视频演示利用对象感知重定向技术教人形机器人学习操作技能，在开放世界模仿中超越基线，并利用其轨迹训练闭环策略实现79.2%的平均成功率。
2024-10-15 cs.AI cs.CV cs.LG
EgoHumanoid-V2: Human-to-Humanoid Transfer of Coordinated Whole-Body Skills for Loco-Manipulation
OpenDriveLab at The University of Hong Kong（香港大学OpenDriveLab）；Alibaba Group（阿里巴巴集团）；Shanghai Innovation Institute（上海创新研究院）；Fudan University（复旦大学）；Beihang University（北京航空航天大学）；Sichuan University（四川大学）；Archon Robotics（Archon机器人公司）
提出首个以自我为中心的人到人形机器人全身协调移动操作技能迁移框架，通过粗到细动作对齐和视觉增强，实现零样本迁移，性能媲美遥操作且成本更低。
2026-09-30 cs.AI cs.RO
Mimicking-Bench: A Benchmark for Generalizable Humanoid-Scene Interaction Learning via Human Mimicking
Tsinghua University（清华大学）；Galbot（智元机器人）；Shanghai Qi Zhi Institute（上海期智研究院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Peking University（北京大学）
本文提出首个通过模仿大规模人类动画参考实现可泛化人形机器人-场景交互学习的综合基准Mimicking-Bench，包含六项家庭任务、11K物体形状及23K技能参考，并构建完整技能学习流程评估了运动重定向、跟踪与模仿学习等方法。
2024-12-23 cs.CV cs.RO
