GRAIL: Generating Humanoid Loco-Manipulation from World Models
NVIDIA;UCLA(加州大学洛杉矶分校)
提出GRAIL全虚拟生成管线,利用3D资产和视频基础模型先验合成人机交互演示,无需物理搭建或遥操作,实现人形机器人全身操作策略的模拟到现实迁移。
2026-10-20 cs.RO
Learn to Teach: Sample-Efficient Privileged Learning for Humanoid Locomotion over Diverse Terrains
Georgia Institute of Technology(佐治亚理工学院)
本文提出单阶段训练框架Learn to Teach (L2T),统一教师与学生策略学习,通过共享动力学回收仿真样本以降低样本复杂度,在Digit机器人上实现零样本sim-to-real迁移并在12+种地形稳健运动。
2025-08-09 cs.LG cs.RO
RL from Physical Feedback: Aligning Large Motion Models with Humanoid Control
PKU(北京大学);BeingBeyond;WHU(武汉大学)
针对文本生成运动物理可行性不足难部署的问题,提出RLPF框架,结合物理反馈强化学习与对齐验证模块,实现兼具物理合理性与语义对齐性的运动生成,可部署于真实人形机器人。
2025-06-15 cs.LG 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
Ground Reaction Inertial Poser: Physics-based Human Motion Capture from Sparse IMUs and Insole Pressure Sensors
Carnegie Mellon University(卡内基梅隆大学);Keio University(庆应义塾大学);Keio AI Research Center(庆应义塾大学人工智能研究中心)
GRIP利用四个可穿戴设备重建物理合理的人体动作,结合IMU信号和足压数据捕捉身体动态与地面交互,通过数字孪生合成人形在物理模拟器中重建真实动作,实验显示其在多个数据集上优于传统IMU和IMU-压力融合方法。
2026-03-27 cs.CV cs.RO
HumanoidVLN: A Physics-Grounded Simulator and Benchmark for Vision-Language Navigation Across Diverse Humanoid Embodiments
VinMotion, Inc.(VinMotion公司);University of Southern California(南加州大学)
本研究针对人形机器人VLN的物理约束与形态差异问题,提出基于NVIDIA Isaac Sim的HumanoidVLN模拟器与基准,验证其与多种模型、机器人的兼容性,实验揭示了VLN模型、控制器与人形形态的交互关系。
2026-08-14 cs.RO
Multi-Gait Learning for Humanoid Robots Using Reinforcement Learning with Selective Adversarial Motion Prior
School of Future Technology(未来技术学院);Shanghai University(上海大学);National and Local Co-Built Humanoid Robotics Innovation Center(国家与地方共建人形机器人创新中心)
本文提出一种多步态学习方法,通过统一的强化学习框架使人形机器人掌握五种步态,采用选择性对抗运动先验策略提升收敛速度和稳定性。
2026-04-21 cs.AI cs.RO
Domain-Adaptive Communication-Rate Optimization for Sim-to-Real Humanoid-Robot Wireless XR Teleoperation
Cooperative Medianet Innovation Center(协作中位网创新中心);School of Information Science and Electronic Engineering(信息科学与电子工程学院);Shanghai Jiao Tong University(上海交通大学)
本文提出了一种领域自适应的通信速率优化方法,通过在仿真到现实的分布偏移中平衡重建误差和通信能耗,利用PAC-Bayes泛化特性分析和密度比加权的PPO方法,结合离线真实域数据校正,以提高人形机器人无线XR远程操作的通信效率和重建精度。
2026-05-19 cs.IT cs.LG cs.RO
ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills
Carnegie Mellon University(卡内基梅隆大学);NVIDIA
提出ASAP两阶段框架,通过训练delta动作模型补偿动力学不匹配并微调预训练策略,有效提升了人形机器人的敏捷全身技能并降低了跟踪误差。
2025-04-26 cs.AI cs.LG cs.RO
X2C: A Large-Scale Benchmark for Nuanced Humanoid Facial Expression Imitation
Macquarie University(麦考瑞大学);Sun Yat-sen University(中山大学)
针对人脸表情迁移的域差距问题,推出含10万组配对数据的X2C数据集,提出两阶段框架X2CNet,实现更优跨域一致性与真实场景稳健表情模仿。
2026-08-12 cs.AI cs.HC cs.RO
A Dynamics Simulator for Soft Growing Robots
Stanford University(斯坦福大学);Carnegie Mellon University(卡内基梅隆大学)
在杂乱的环境中模拟软体机器人仍然是一个开放的问题,由于捕捉复杂的动态和与环境的相互作用的挑战。此外,需要快速仿真来快速探索运动规划背景下的机器人行为。在本文中,我们研究了一类特殊的充气梁软增长的机器人称为“藤蔓机器人”,并提出了一个动态模拟器,捕捉一般的行为,处理机器人对象的相互作用,并运行速度比实时的。模拟器框架使用简化的多连杆、具有接触约束的刚体模型。为了缩小模拟与真实的差距,我们开发了基于运动中的机器人和与环境接触的视频数据拟合模型参数的方法。我们提供了模拟的例子,包括几个合适的参数,以显示模拟和真实行为之间的定性和定量协议。我们的工作证明了这种高速动力学模拟器的能力和它的潜力,用于控制软体机器人。
2020-11-03 cs.RO
DualTHOR: A Dual-Arm Humanoid Simulation Platform for Contingency-Aware Planning
提出基于物理的双臂人形机器人仿真平台DualTHOR,引入偶发事件机制以评估VLM在真实家庭环境中的鲁棒性与泛化能力,揭示当前模型在双臂协调上的局限性。
2025-10-13 cs.RO
Design, analysis and control of the series-parallel hybrid RH5 humanoid robot
DFKI GmbH(德国人工智能研究中心);University of Edinburgh(爱丁堡大学);Alan Turing Institute(艾伦·图灵研究所);LAAS-CNRS(法国国家科学研究中心系统分析与架构实验室)
近几十年来的人形机器人研究表明,为获得高动态性能而开发的人形机器人需要刚性结构和最佳质量分布-惯性特性。用纯树型架构构建的人形机器人往往体积庞大,并且通常受到速度和力/扭矩的限制。本文提出了一种新型的串并联混合人形机器人RH 5,它高2米,重量只有62.5公斤,能够执行重型动态任务,每只手5公斤的有效载荷。采用基于微分动态规划(DDP)的全身轨迹优化技术对该仿人机器人进行分析和控制。此外,我们提出了一种改进的接触稳定性软约束DDP算法,该算法能够生成物理上一致的步行轨迹的人形,可以通过一个简单的PD位置控制在物理模拟器跟踪。最后,我们展示了RH 5人形机器人的初步实验结果。
2021-01-26 cs.RO
Effects of Sim2Real Image Translation on Lane Keeping Assist System in CARLA Simulator
Daegu Gyeongbuk Institute of Science and Technology(大邱庆北科学技术院)
自动驾驶汽车仿真具有在各种环境变量和场景下测试算法而不浪费时间和资源的优点,但是与现实世界存在视觉差距。在本文中,我们训练DCLGAN逼真地转换CARLA模拟器的图像,并评估Sim 2 Real转换的效果,重点是LKAS(车道保持辅助系统)算法。为了避免DCLGAN对车道进行扭曲平移的情况,我们使用FSIM(特征相似性)找到了最佳的训练超参数。经过训练,我们建立了一个系统,将DCLGAN模型与CARLA和AV实时连接起来。然后,我们收集数据(例如图像,GPS)并使用以下四种方法进行分析。首先,用FID对图像真实度进行了测量,验证了图像真实度能够定量反映车道特征。通过DCLGAN的CARLA图像的FID值小于原始图像。其次,通过DCLGAN提高了ENet-SAD的车道分割精度。第三,在弯曲路线中,使用DCLGAN的情况下,驾驶更接近车道中心,成功率很高。最后,在直线路径中,DCLGAN提高了偏离车道中心后的车道恢复能力。
2022-11-23 cs.RO
Physics-Grounded Differentiable Simulation for Soft Growing Robots
Purdue University(普渡大学)
针对软体生长机器人建模与控制困难,提出一种基于物理的可微仿真器,集成闭式非线性刚度模型并支持数据并行,有效解决了高通量仿真与参数优化问题,促进了仿真到现实的迁移。
2025-01-29 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
Actuator Reality Shaping for Zero-Shot Sim-to-Real Robot Learning
Graduate School of Informatics, Kyoto University(京都大学信息学研究科);Dept. of Brain Robot Interface, Computational Neuroscience Labs, ATR(脑机器人接口部门,计算神经科学实验室,ATR)
提出执行器现实塑造范式,通过物理执行器的闭环行为匹配仿真中的理想二阶参考动力学,实现零样本仿真到现实迁移,无需任务级微调或学习执行器模型。
2026-07-08 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
Online Body Schema Adaptation through Cost-Sensitive Active Learning
Institute for Systems and Robotics(系统与机器人研究所);Instituto Superior Técnico(里斯本高等理工学院);Universidade de Lisboa(里斯本大学)
人形机器人具有复杂的身体和运动链,具有多个自由度(DoF),这是难以建模的。学习运动学模型的参数可以通过观察机器人连杆在预期运动期间的位置并最小化预测误差来实现。本文提出了一种基于Denavit-Hartenberg(DH)参数的人形机器人手臂体模在线估计方法。采用基于A-Optimality准则的代价敏感主动学习方法选择最优关节构型。所选择的关节配置同时最大限度地减少身体图式估计中的误差,并最大限度地减少样本之间的移动。这减少了能耗,以及机械疲劳和磨损,同时不会影响学习精度。这项工作是在模拟环境中实现的,使用iCub机器人模拟器的7 DoF手臂。手的姿势是通过放置在机器人的手掌和手背上的标记用单个相机测量的。提出了一种非参数遮挡模型,以避免选择标记不可见的关节配置,从而防止无用的尝试。结果表明,成本敏感的主动学习具有类似的准确性,标准的主动学习的方法,而减少了约一半的执行动作。
2022-02-10 cs.AI cs.CV cs.LG
HumanMimic: Learning Natural Locomotion and Transitions for Humanoid Robot via Wasserstein Adversarial Imitation
The University of Tokyo(东京大学);ETH Zürich(苏黎世联邦理工学院)
该研究提出HumanMimic Wasserstein对抗模仿学习系统,通过运动重定向、结合RL的对抗判别器与带软边界约束的Wasserstein-1距离,使人形机器人JAXON实现多种自然运动及无演示的模式间自然过渡。
2024-04-23 cs.RO
CoNav: A Benchmark for Human-Centered Collaborative Navigation
South China University of Technology(华南理工大学);Pazhou Laboratory(琶洲实验室);UMass Amherst(马萨诸塞大学阿默斯特分校);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
本文提出CoNav基准,通过基于LLM的人形动画生成框架构建3D导航环境,并设计意图感知智能体以解决现有方法忽略人类意图的问题,实现了高效的人机协作导航。
2024-06-04 cs.CV cs.RO
Learning with pyCub: A Simulation and Exercise Framework for Humanoid Robotics
Department of Cybernetics, Faculty of Electrical Engineering, Czech Technical University in Prague(控制系,电气工程学院,布拉格捷克技术大学)
pyCub是一个基于Python的人形机器人仿真与练习框架,无需YARP中间件,提供从基础控制到复杂任务的多级练习,适用于编程经验较少的学习者。
2026-03-04 cs.RO
The MIT Humanoid Robot: Design, Motion Planning, and Control For Acrobatic Behaviors
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Massachusetts Institute of Technology(麻省理工学院)
演示人形机器人的杂技行为,如翻转和旋转跳跃,需要硬件设计,运动规划和控制的系统方法。在本文中,我们提出了一种新的人形机器人设计,致动器感知的kino-dynamic运动规划器,和着陆控制器的一部分,一个实用的系统设计的高度动态运动控制的人形机器人。为了实现脉冲运动,我们开发了两种新的本体感受致动器,并使用我们定制设计的测力计实验评估其性能。驱动器的扭矩,速度和功率限制反映在我们的kino-dynamic运动规划器通过近似配置相关的反作用力限制,并在我们的动力学模拟器,包括驱动器动态与机器人的全身动态。对于着陆控制,我们有效地集成了模型预测控制和全身脉冲控制,通过将它们以动态一致的方式连接起来,以实现长时间范围的最优控制和高带宽的基于全身动力学的反馈。基于速度-转矩模型,包括电池电压下降和反电动势电压,在整个运动过程中执行机构的转矩输出进行了验证。通过精心设计的硬件和控制框架,我们成功地演示了动态行为,如后空翻,前空翻,并在我们的现实动力学模拟旋转跳跃。
2021-04-19 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
Mechanical Intelligence-Aware Curriculum Reinforcement Learning for Humanoids with Parallel Actuation
Department of Mechanical and Aerospace Engineering, UCLA(加州大学洛杉矶分校机械与航空航天工程系)
针对模拟器不支持闭式运动链导致忽略并联机构机械智能的问题,本文提出三种并联机构的仿真方法,并利用GPU加速的MuJoCo原生模拟闭链约束,通过课程强化学习为BRUCE机器人训练策略,在真实世界零样本部署中展现出优于MPC的性能。
2025-10-30 cs.RO
Multi-Scenario Reasoning: Unlocking Cognitive Autonomy in Humanoid Robots for Multimodal Understanding
本研究提出一种多场景推理架构,通过构建模拟器“Maha”融合视觉、听觉和触觉多模态数据,模拟人脑高级推理机制,解决了人形机器人多模态理解的技术不足,促进了跨场景任务迁移和语义驱动的动作规划,提升了其认知自主性。
2025-07-09 cs.AI cs.RO
Embrace Collisions: Humanoid Shadowing for Deployable Contact-Agnostics Motions
IIIS, Tsinghua University(清华大学信息科学技术学院);Shanghai Qi Zhi Institute(上海期智研究院)
针对人形机器人全身复杂接触控制的挑战,提出一种通用运动框架,利用GPU加速模拟器训练全身控制策略,使机器人能在随机接触和极端躯干旋转下实时执行运动指令,实现接触无关的部署。
2025-02-03 cs.RO cs.SY eess.SY
OceanSim: A GPU-Accelerated Underwater Robot Perception Simulation Framework
Department of Robotics, University of Michigan(机器人系,密歇根大学)
针对水下传感器物理建模与渲染效率的不足,本文提出高保真GPU加速水下仿真框架OceanSim,采用基于物理的渲染技术缩小仿真到真实的差距,实现实时成像声纳渲染与快速合成数据生成,并通过真实数据验证了其逼真度。
2025-08-09 cs.CV cs.RO
Towards Proprioception-Aware Embodied Planning for Dual-Arm Humanoid Robots
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);AgiBot;School of Computer Science, Peking University(北京大学计算机学院)
针对双臂人形机器人长时程规划中仿真平台缺失和具身感知不足的问题,提出DualTHOR仿真器和Proprio-MLLM模型,通过本体感觉信息增强规划,性能平均提升19.75%。
2025-10-15 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
Humanoids in Hospitals: A Technical Study of Humanoid Robot Surrogates for Dexterous Medical Interventions
Electrical and Computer Engineering Department, University of California San Diego(加州大学圣迭戈分校电子与计算机工程系);University of California San Diego(加州大学圣迭戈分校)
针对医护人员短缺问题,研究开发了适配Unitree G1人形机器人的双臂遥操作系统,经7类医疗任务验证其可完成多种临床操作,同时指出了力输出与传感器方面的现存局限。
2025-07-31 cs.RO
Humanoids for Robot-Assisted Surgery: Bimanual Base Placement and Tool-Mount Optimization via Capability Maps
本研究提出基于能力图的人形机器人基座与工具安装联合优化框架,在三种手术中评估可达性,证明其优于基线方法,并揭示近端应用潜力与局限。
2026-09-29 cs.RO
Sound Representation and Classification Benchmark for Domestic Robots
INRIA Grenoble Rhone-Alpes(法国国立信息学与自动化研究院格勒诺布尔-罗讷-阿尔卑斯分院);GIPSA-LAB(GIPSA实验室);Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
我们解决问题的声音表示和分类,目前的国内机器人场景的背景下进行比较研究的结果。在现实条件下记录声音数据集(背景噪声、存在多个声源、混响等)。使用人形机器人NAO。一个扩展的基准进行测试的各种表示与几个分类器相结合。我们提供的注释数据集获得的结果,我们评估的方法定量的基础上,他们的分类分数,计算时间和内存要求。注释数据集可在https://team.inria.fr/perception/nard/上公开获得。
2014-02-15 cs.RO cs.SD
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
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
Integrating Risk in Humanoid Robot Control for Applications in the Nuclear Industry
Northeastern University(东北大学)
本文讨论了将风险集成到核工业退役应用的机器人控制框架中。我们的总体目标是让机器人评估与完成同一任务的几种方法相结合的一组动作序列的风险。如果环境是已知的,并且在没有感测错误的情况下,每组动作将成功地完成任务。在本文中,而不是试图模拟与每个传感系统,以计算一个精确的解决方案,一组解决方案,以及规定的风险指数。然后可以将与每组动作相关联的风险与可能的收益或奖励进行比较,例如任务完成时间或功耗。然后将这些信息发送给高级决策规划者,例如人类遥控操作员,然后他可以对机器人的动作做出更明智的决定。为了说明这一概念,我们介绍了三个具体的风险措施,即碰撞风险和倾倒的风险和失败的风险与抓住一个物体。我们展示了从这个基础研究的风险意识的组成机器人的自主性在模拟使用美国宇航局的瓦尔基里人形机器人,和抓取模拟器HAPTIX的结果。
2018-07-12 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
Force-feedback based Whole-body Stabilizer for Position-Controlled Humanoid Robots
Southern University of Science and Technology(南方科技大学)
研究了位置控制人形机器人的稳定器设计问题。稳定器是位置控制类人机器人的重要组成部分,其主要目标是调整发送到机器人的控制输入,以帮助跟踪控制器更好地遵循规划的参考轨迹。为了实现这一目标,本文开发了一种新的基于力反馈的全身稳定器,充分利用六维力测量信息和全身动力学,以提高跟踪性能。依赖于严格的位置控制的人形机器人在未知的接触下的全身动力学分析,所开发的稳定器利用基于二次规划的技术,该技术允许协作考虑质心跟踪和接触力跟踪。建议的稳定器的有效性证明了UBTECH沃克机器人在MuJoCo模拟器。仿真验证表明,在各种情况下的显着改善相比,通常采用的稳定器的基础上的零力矩点反馈和线性倒立摆模型。
2021-08-15 cs.RO cs.SY eess.SY
qiBullet, a Bullet-based simulator for the Pepper and NAO robots
SoftBank Robotics Europe(软银机器人欧洲公司)
Pepper和NAO机器人广泛用于店内清洁和教育,也可作为研究目的的机器人平台。他们在学术领域的存在是通过各种出版物,多个合作项目,并通过两个不同的RoboCup联赛的标准平台表达。开发、收集数据和训练人形机器人可能是乏味的:反复重复特定任务可能会给机器人带来风险,而且某些环境可能很难设置。因此,允许模拟复杂环境和机器人动力学的软件工具可以缓解这个问题,允许在虚拟模型上执行上述过程。Pepper和NAO平台目前的一个缺点是缺乏物理上精确的仿真工具,允许在虚拟机器人上测试涉及重复运动和与环境接触的场景。在本文中,我们介绍了qiBullet仿真工具,使用Bullet物理引擎为Pepper和NAO机器人提供了这样的解决方案。
2020-02-07 cs.RO
Energy-Efficient Arm Reaching for a Humanoid Robot via Deep Reinforcement Learning with Identified Power Models
Harper Adams University(哈珀亚当斯大学);Lincoln Institute for Agri-Food Technology(林肯农业食品技术研究所);Lincoln Centre for Autonomous Systems(林肯自主系统中心)
提出一种端到端能量感知强化学习框架,结合物理实验识别的电功率模型与SAC策略,在Unitree G1人形机器人上实现节能手臂伸展,仿真成功率69.9%,实物验证平均能耗71.5 J。
2026-06-16 cs.RO
A Comparison Between Joint Space and Task Space Mappings for Dynamic Teleoperation of an Anthropomorphic Robotic Arm in Reaction Tests
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
远程操作(即,控制具有人的运动的机器人)在使人形机器人能够像人一样动态地移动方面证明是有希望的。但如何将人类运动映射到人形机器人很重要,因为人类和人形机器人很少有相同的拓扑结构和尺寸。这项工作提出了一个实验研究,利用反应测试,比较拟议的关节空间映射和拟议的任务空间映射的动态遥操作的拟人机器人手臂,具有人类水平的动态运动能力。实验结果表明,机器人实现了类似的,在某些情况下,人类水平的动态性能与映射的六个参与人类受试者。所有的科目成为熟练的遥控机器人与两个映射实践后,尽管科目和机器人的大小和链接长度比不同,遥控操作需要的科目移动不直观。然而,大多数受试者开发他们的遥操作更快地与任务空间映射比联合空间映射后,类似的实践量。这项研究还表明了潜在的价值的三维任务空间映射,遥操作训练模拟器,和力反馈给人类飞行员直观和动态遥操作的人形机器人的手臂。
2020-11-04 cs.RO
DecARt Leg: Design and Evaluation of a Novel Humanoid Robot Leg with Decoupled Actuation for Agile Locomotion
Moscow Institute of Physics and Technology (MIPT)(莫斯科物理技术学院)
本文提出具备解耦驱动等特性的新型电驱动仿人机器人腿DecARt Leg,设计FAST指标开展定量对比,并通过仿真与初步硬件实验验证其敏捷运动性能。
2025-11-13 cs.RO
NeRF2Real: Sim2real Transfer of Vision-guided Bipedal Motion Skills using Neural Radiance Fields
DeepMind(深度思维)
我们提出了一个系统,应用sim2real的方法,以“在野外”的场景与逼真的视觉效果,并依赖于主动感知使用RGB相机的政策。给定一个短视频的静态场景收集使用一个通用的手机,我们学习场景的接触几何和新的视图合成使用神经辐射场(NeRF)的功能。我们通过覆盖其他动态对象(例如机器人自己的身体,球)的渲染来增强静态场景的NeRF渲染。然后使用物理模拟器中的渲染引擎创建模拟,该物理模拟器根据静态场景几何形状(根据NeRF体积密度估计)和动态对象的几何形状和物理属性(假设已知)计算接触动态。我们证明,我们可以使用这个模拟来学习基于视觉的全身导航和球推政策的20自由度人形机器人与驱动头戴式RGB摄像头,我们成功地将这些政策,以一个真正的机器人。项目视频可在https://sites.google.com/view/nerf2real/home上获得
2022-10-10 cs.AI cs.CV cs.LG
Humanoid Robot Running Through Random Stepping Stones and Jumping Over Obstacles: Step Adaptation Using Spring-Mass Trajectories
Automation and Control Institute (ACIN)(自动化与控制研究所);Institute of Robotics and Mechatronics(机器人与机电研究所);German Aerospace Center (DLR)(德国航空航天中心)
本文提出了一种基于弹簧-质量轨迹和死区控制增益库的跑步步态适应框架,通过自动生成轨迹库、控制增益库、轨迹选择策略及全身控制框架实现步态适应,展示了框架的包容性和鲁棒性。
2025-12-15 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
Learning Aerodynamics for the Control of Flying Humanoid Robots
Artificial and Mechanical Intelligence Laboratory(人工智能与机械实验室);Istituto Italiano di Tecnologia(意大利技术研究院);Dipartimento di Ingegneria Industriale(工业工程系);Università di Napoli Federico II(那不勒斯费德里科二世大学);School of Computer Science(计算机科学学院);University of Manchester(曼彻斯特大学);Dipartimento di Scienze e Tecnologie Aerospaziali(航空航天科学与技术系);Politecnico di Milano(米兰理工学院);Department of Mechanical Engineering(机械工程系);Stanford University(斯坦福大学)
针对飞行人形机器人气动力建模与控制难题,本文提出结合CFD仿真、风洞实验与深度学习的方法,设计iRonCub-Mk1并验证了气动感知控制器的有效性。
2025-06-21 cs.LG cs.RO
Real-time Active Vision for a Humanoid Soccer Robot Using Deep Reinforcement Learning
Qazvin Azad University(加兹温伊斯兰阿扎德大学);University of Leeds(利兹大学)
在本文中,我们提出了一种主动视觉方法,使用深度强化学习方法的人形足球机器人。所提出的方法自适应优化的机器人的观点,以获得最有用的地标自我定位,同时保持球进入其观点。主动视觉对于具有有限视野的类人决策机器人至关重要。为了处理主动视觉问题,先前已经提出了几种基于概率熵的方法,这些方法高度依赖于自定位模型的准确性。然而,在这项研究中,我们将这个问题描述为一个情景强化学习问题,并采用深度Q学习方法来解决它。所提出的网络只需要相机的原始图像将机器人的头部移向最佳视点。该模型显示出非常有竞争力的80%的成功率,在实现最佳的观点。我们实现了所提出的方法在Webots模拟器中模拟的人形机器人。我们的评估和实验结果表明,所提出的方法优于基于熵的方法在RoboCup的上下文中,在高自我定位错误的情况下。
2020-11-27 cs.AI cs.CV cs.LG
Learning Whole-body Motor Skills for Humanoids
The University of Edinburgh(爱丁堡大学)
本文提出了一种用于深度强化学习的分层框架,该框架可以获得各种推动恢复和平衡行为的运动技能,即,踝关节,髋关节,脚倾斜,和步进策略。该策略在物理模拟器中进行训练,该物理模拟器具有真实的机器人模型设置和低级别的阻抗控制,易于将学到的技能转移到真实的机器人上。与传统方法相比的优点是将高级规划器和反馈控制全部集成在一个单一的连贯策略网络中,这对于学习针对任意位置处的未知扰动的通用平衡和恢复运动是通用的(例如,腿、躯干)。此外,所提出的框架允许的政策,快速学习的许多国家的最先进的学习算法。通过比较我们的学习结果的预编程,特殊用途的控制器在文献中的研究,自学技能是可比的干扰抑制方面,但具有额外的优势,产生广泛的自适应,通用和鲁棒的行为。
2020-02-07 cs.LG cs.RO stat.ML
PAMoR: Parameterized Affective Motion Generation in Real Time for Humanoid Robots
University College London(伦敦大学学院)
PAMoR将情感转化为可量化的V-A控制参数,结合动作与情感先验,在Unitree G1机器人上实时生成可编辑的情感动作,其情感识别率接近人类表演水平且优于基线。
2026-09-22 cs.RO
KODA: Kinematics--Observation Data Alignment for Humanoid Learning from Human Egocentric Demonstration
Gamma Robotics(伽马机器人公司);Institute of Artificial Intelligence (TeleAI), China Telecom(中国电信人工智能研究院(TeleAI));Shanghai Jiao Tong University(上海交通大学);Zhejiang University(浙江大学)
本文提出KODA方法,将人类第一人称演示转换为人形机器人全身VLA训练数据,在Unitree G1的四个任务上,两种控制器下对应指标分别提升45.0和46.25个百分点,具备扩展潜力。
2026-10-16 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
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
A Hybrid Autoencoder for Robust Heightmap Generation from Fused Lidar and Depth Data for Humanoid Robot Locomotion
Institute of Mechatronic Systems, Leibniz University Hannover(机械系统研究所,莱比锡洪堡大学)
本文提出了一种混合自编码器,通过融合激光雷达和深度数据生成鲁棒的高度图,以提升人形机器人在非结构化环境中的运动性能。
2026-02-05 cs.LG cs.RO
Robot self-calibration using multiple kinematic chains -- a simulation study on the iCub humanoid robot
Czech Technical University in Prague(布拉格捷克理工大学);Czech Institute of Informatics, Robotics, and Cybernetics, Czech Technical University in Prague(布拉格捷克理工大学捷克信息学、机器人学与控制论研究所)
机构标定是机器人学中一项重要而重要的任务。传感器技术的进步使得相机和触觉传感器等价格实惠但越来越精确的设备变得可用,从而可以依靠这些感觉流中的冗余信息执行自动化的自包含校准。在这项工作中,我们使用了一个模拟的iCub人形机器人与立体摄像机系统和末端执行器接触仿真,定量比较运动学校准的性能,采用不同的交叉运动链的组合-无论是通过自我观察或自我触摸。变化的参数为:(i)用于校准的交叉运动链的类型和数量,(ii)经受优化的参数和链,(iii)运动参数的初始扰动量,(iv)用于优化的姿态/配置的数量,(v)末端执行器位置/相机中的测量噪声量。主要调查结果如下:(1)标定单链参数(例如一个臂)通过采用多个运动链(2)当使用多链校准时,与例如仅使用来自单个相机的观察相比,较少的姿态足以获得类似的性能;(3)所有链的参数(这里是86个DH参数)可以同时进行校准,并且利用50(100)个姿态,可以实现大约2(1)mm的末端执行器误差;(4)向感觉模态添加噪声降低了采用依赖于该信息的链的所有校准的性能。
2020-08-31 cs.RO