HULK: Learning Whole-Body Forceful Loco-Manipulation for Humanoids
University of Michigan（密歇根大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Amazon（亚马逊）；California Institute of Technology（加州理工学院）
针对人形机器人搬运重物时的全身强力交互难题，提出HULK框架，结合MPC引导强化学习与捕获点控制障碍函数训练双教师策略并蒸馏为单一策略，显著降低跟踪误差和DCM偏移，并在仿真和Unitree G1上验证了有效性。
2026-10-08 cs.LG cs.RO
SoccerDiffusion: Toward Learning End-to-End Humanoid Robot Soccer from Gameplay Recordings
University of Hamburg（汉堡大学）
SoccerDiffusion提出基于Transformer扩散模型从RoboCup真实比赛录像中学习人形机器人足球端到端控制，并通过蒸馏实现单步实时推理，可复现行走、踢球和摔倒恢复等行为。
2025-07-03 cs.AI cs.LG cs.RO
Learning Humanoid Standing-up Control across Diverse Postures
Shanghai AI Laboratory（上海人工智能实验室）；Shanghai Jiao Tong University（上海交通大学）；The University of Hong Kong（香港大学）；Zhejiang University（浙江大学）；The Chinese University of Hong Kong（香港中文大学）
提出HoST强化学习框架，从零学习人形机器人跨姿态站立控制，通过多评论家架构和课程训练实现稳健的仿真到现实迁移，并在Unitree G1上验证了平滑稳定的站立性能。
2025-04-19 cs.AI cs.LG cs.RO
Learning Reusable Hybrid Motion Priors for Humanoid Locomotion from Motion Imitation
研究提出三阶段流程，将运动模仿技能转化为可重复使用的类人运动混合先验（HMP）。先训练专家策略模仿人类运动，再提炼为冻结架构，最后训练任务级策略。经模拟评估和机器人验证，HMP可重复使用，还揭示可解释码本结构，训练码本技巧能减少下游跌倒。
2026-07-28 cs.LG 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
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
Bracing for Impact: Robust Humanoid Push Recovery and Locomotion with Reduced Order Models
AMBER Lab at the Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系AMBER实验室，加州理工学院）
提出统一框架，结合单刚体模型预测控制与混合线性倒立摆动力学，利用环境（如墙壁）和手臂支撑实现人形机器人动态行走中的推倒恢复，在高达0.5m/s行走速度下抵抗100N持续0.2s的推力。
2026-06-23 cs.RO
Cerebellar-Inspired Residual Control for Fault Recovery: From Inference-Time Adaptation to Structural Consolidation
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Northwestern University（西北大学）
该研究提出了一种小脑启发的残差控制框架，通过在线纠正动作实现故障恢复，提升机器人在训练后扰动下的鲁棒性和性能。
2026-02-06 cs.LG cs.RO
Online DCM Trajectory Generation for Push Recovery of Torque-Controlled Humanoid Robots
Italian Institute of Technology（意大利理工学院）；University of Genoa（热那亚大学）
我们提出了一种计算效率高的方法，用于在线规划双足步行轨迹与推动恢复。特别是，所提出的方法适合的控制架构，其中发散分量的运动（DCM）是事先计划，并增加了一个步骤适配器，以调整计划的轨迹，实现推动恢复。假设机器人处于单支撑状态，步骤适配器为下一步骤生成新的位置和定时。步进适配器仅在单支撑阶段是活动的，但是所提出的扭矩控制架构也考虑双支撑阶段。步长适配器设计的关键思想是使用时变ZMP轨迹的指数插值来施加初始和最终DCM步长值。这允许我们将推恢复问题转换为二次规划（QP）问题，并使用最先进的优化器在线求解。整体方法进行了验证与扭矩控制的33公斤人形机器人iCub的模拟。实验结果表明，该策略能有效地防止人形机器人在以0.28 m/s的速度行走时摔倒，并能在150 N的外力作用下保持0.05 s。
2019-10-14 cs.RO
Kinodynamics-based Pose Optimization for Humanoid Loco-manipulation
University of Southern California（南加州大学）
本文提出一种结合运动动力学位姿优化与MPC的仿人机器人推物控制方法，能快速规划最优位姿并协调受力，实现重载推动与强抗扰恢复。
2023-07-25 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
Study of Humanoid Push Recovery Based on Experiments
Robotics and AI Lab, IIIT Allahabad（阿拉哈巴德印度信息技术学院机器人与人工智能实验室）；IIIT Allahabad（阿拉哈巴德印度信息技术学院）
人类在一定程度上可以从Push up中进行协商和恢复。推动恢复能力随着年龄的增长而增长（儿童的推动恢复能力比成人差），并且它是基于学习。例如，摔跤运动员比普通人有更好的推压恢复，然而，我们不知道反应性推压恢复的机制。我们试图通过几个实验来了解人类的学习机制。实验的受试者被选为右撇子和左撇子。从后面诱导推，闭上眼睛观察运动动作，以及睁开眼睛观察基于学习的反应性行为。重要的观察表明，左撇子和右撇子的人谈判推动不同（相反的方式）。本研究描述了一些细节的实验和分析的结果，主要是从关节角度的变化（包括踝关节和髋关节）作为扰动的表现。在通过高阶多项式平滑捕获的数据后，我们将它们馈送到我们的模型中，该模型是利用倒立摆的物理特性开发的，并将其配置为我们实验室中Webot仿真框架中的主题代表。在每种情况下，模型也可以从相同范围的扰动的推动恢复，这证明了模型的正确性。因此，该模型现在可以提供更大的洞察力，推动恢复机制，并可用于确定推动恢复策略的人形机器人。本文认为，推送恢复是软件工程问题，而不是硬件问题。
2014-05-18 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
UniReLo: Learning a Unified Humanoid Policy from Fall Recovery to Locomotion across Diverse Terrains
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）；Key Laboratory of Machine Intelligence and System Control, Ministry of Education（教育部机器智能与系统控制重点实验室）
提出相位-地形解耦学习（PTDL），通过解耦训练监督的相位和地形轴，实现单一本体感知策略下的多地形摔倒恢复与行走过渡。
2026-08-03 cs.RO
HiFAR: Multi-Stage Curriculum Learning for High-Dynamics Humanoid Fall Recovery
Tsinghua University（清华大学）；Booster Robotics Technology Co., Ltd（Booster机器人科技有限公司）
针对人形机器人在动态环境中跌倒恢复的难题，提出多阶段课程学习框架HiFAR，通过渐进式任务训练实现高效稳定恢复，并在真实机器人上验证了高成功率、快速、鲁棒和泛化性能。
2025-02-28 cs.RO
FRASA: An End-to-End Reinforcement Learning Agent for Fall Recovery and Stand Up of Humanoid Robots
Univ. Bordeaux, CNRS, LaBRI, UMR 5800（波尔多大学、国家科学研究中心、LaBRI、UMR 5800）
本文提出了FRASA，一种基于深度强化学习的端到端智能体，通过整合跌倒恢复与站立策略，利用Cross-Q算法减少训练时间并适应动态干扰，在Sigmaban机器人上表现优于RoboCup 2023的KFB方法。
2025-11-04 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
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
Adapting Gait Frequency for Posture-regulating Humanoid Push-recovery via Hierarchical Model Predictive Control
Department of Aerospace and Mechanical Engineering, University of Southern California（航空航天与机械工程系，南加州大学）
本文提出一种基于分层MPC的仿人机器人推力恢复方法，通过适应步态频率和姿态感知规划器，在未知干扰下快速恢复并调节身体姿态，仿真显示最大可恢复冲量平均提升131%，硬件实验中恢复步态时机提前125毫秒。
2025-05-28 cs.RO cs.SY eess.SY
VOFA: Visual Object Goal Pushing with Force-Adaptive Control for Humanoids
Department of Computer Science, The University of Texas at Austin（德克萨斯大学奥斯汀分校计算机科学系）；Amazon Inc.（亚马逊公司）；Sony AI（索尼人工智能）
本文提出VOFA系统，通过视觉引导实现对未知物理属性物体的精准推动，解决重物操控中的未知质量和地面摩擦问题，实现在仿真和现实中的高成功率表现。
2026-07-22 cs.RO
Reactive Stepping for Humanoid Robots using Reinforcement Learning: Application to Standing Push Recovery on the Exoskeleton Atalante
Wandercraft；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）；Université Paris-Dauphine, PSL（巴黎多芬大学，巴黎文理研究大学）
最先进的强化学习现在能够在模拟中学习双足机器人的多功能运动，平衡和推动恢复能力。然而，现实的差距大多被忽视，模拟结果很难转移到真正的硬件。要么是由于物理学过于简化和忽略了硬件限制而在实践中不成功，要么是规则性得不到保证，可能会发生意外的危险运动。本文提出了一种强化学习框架，能够学习强大的站立推恢复的双足机器人，顺利地转移到现实中，只提供瞬时本体感受的意见。通过结合初始终止条件和策略平滑条件，我们实现了稳定的学习，仿真到现实迁移和安全使用的策略没有记忆，也没有显式的历史。然后，奖励工程被用来提供如何保持平衡的见解。我们展示了它的性能在现实中的下肢医疗外骨骼Atalante。
2022-07-31 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
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
RoboCup 2019 AdultSize Winner NimbRo: Deep Learning Perception, In-Walk Kick, Push Recovery, and Team Play Capabilities
Univ. of Bonn（波恩大学）
个人和团队的能力每年都受到规则变化和RoboCup Humanoid League足球队不断提高的表现的挑战。对于AdultSize类的RoboCup 2019，球员数量（2对2场比赛）和场地尺寸都有所增加，这需要团队协调以及强大的视觉感知和定位模块。在本文中，我们介绍了NimbRo团队赢得足球锦标赛，drop-in游戏，技术挑战和2019年悉尼RoboCup Humanoid League最佳人形机器人奖的最新进展。这些发展包括一个深度学习视觉系统，步行踢，基于步骤的推恢复，和团队合作战略。
2019-12-17 cs.RO
Unified Perceptive Fall Safety for Humanoids
University of Michigan, Ann Arbor（密歇根大学）
VIGOR通过整合感知-运动表示，实现人形机器人在复杂地形中的零样本跌倒安全。
2026-10-16 cs.RO
Stubborn: A Streamlined and Unified Reinforcement Learning Framework for Robust Motion Tracking and Fall Recovery for Humanoids
Southern University of Science and Technology（南方科技大学）
提出Stubborn框架，通过非对称Actor-Critic架构、偏航对齐表示、伯努利概率终止机制和自适应采样策略，统一实现人形机器人的运动跟踪与摔倒恢复，在性能与鲁棒性上超越现有方法。
2026-06-12 cs.AI cs.RO
Unified Walking, Running, and Recovery for Humanoids via State-Dependent Adversarial Motion Priors
The University of Hong Kong（香港大学）
本文提出了一种统一的强化学习框架，使单个策略能够在Unitree G1人形机器人上实现行走、跑步和跌倒恢复，且无需在部署时显式切换模式。该框架通过将传统全局参考分布替换为状态依赖的门控机制，将每个训练过渡路由到两个判别器中：一个专用的恢复判别器和一个基于速度的运动判别器，共同覆盖行走和跑步。
2026-05-18 cs.RO
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
KungfuAthleteBot: learning high-dynamic humanoid motion from video with unified robust recovery
Beijing Institute of Technology（北京理工大学）；QIYUAN Lab（启元实验室）
提出KungfuAthleteBot框架，通过物理校正、伪低动能采样和统一训练策略，从视频学习高动态人形运动，实现约0.7秒的快速跌倒恢复。
2026-10-07 cs.RO
HANDOFF: Humanoid Agentic Task-Space Whole-Body Control via Distilled Complementary Teachers
California Institute of Technology（加州理工学院）；The Institute for Human & Machine Cognition（人机认知研究院）
提出HANDOFF框架，通过多教师KL蒸馏和上下文门控机制，将全身运动跟踪、行走和跌倒恢复三个专家策略融合为混合专家学生策略，实现基于紧凑显式接口的全身控制，在Unitree G1上达到先进的速度跟踪性能并扩展了操作工作空间。
2026-09-30 cs.AI cs.LG 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
StableMimic: Smooth Human-Like Recovery for Humanoid Motion Tracking - Learning Beyond the Tracking Distribution for Structured Post-Fall Behavior
Southern University of Science and Technology (SUSTech)（南方科技大学）
该研究提出StableMimic，一种在标称跟踪分布外训练的人形机器人统一跟踪器，通过专用专家与本体感知门控融合动作，在LAFAN1数据集及真实Unitree G1机器人上实现跌倒后100%恢复，跟踪与恢复性能均优于对比方法，提升了交互安全性。
2026-08-04 cs.RO
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
X-Loco: Towards Generalist Humanoid Locomotion Control via Synergetic Policy Distillation
University of Science and Technology of China（中国科学技术大学）；Tsinghua University（清华大学）
提出X-Loco框架，通过协同策略蒸馏和案例自适应专家选择，训练视觉通用人形运动策略，整合直立行走、全身协调和跌倒恢复，仅基于速度指令，无需参考运动。
2026-06-15 cs.RO
CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation
NVIDIA；Stanford University（斯坦福大学）；UT Austin（得克萨斯大学奥斯汀分校）
CHIP通过回顾扰动实现人形机器人可控的末端执行器刚度，无需额外调优即可完成多种力量操作任务。
2026-02-09 cs.LG 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
Dynamic Mobile Manipulation via Whole-Body Bilateral Teleoperation of a Wheeled Humanoid
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Jeonbuk National University（全北国立大学）
本文提出一种基于全身双向遥操作的动态移动操作框架，利用人机接口、降阶模型映射和全身触觉反馈，使双轮人形机器人SATYRR能够抓取移动目标并推动超过自身重量的箱子，验证了该方法的有效性。
2023-07-03 cs.RO
HUSKY: Humanoid Skateboarding System via Physics-Aware Whole-Body Control
Institute of Artificial Intelligence (TeleAI), China Telecom（人工智能研究院（TeleAI），中国电信）；The University of Hong Kong（香港大学）；University of Science and Technology of China（中国科学技术大学）；ShanghaiTech University（上海科技大学）
本文提出HUSKY框架，通过整合人形滑雪板系统建模和物理感知的全身控制，解决高动态和复杂交互任务中的稳定动态操控问题，实现在实际场景中稳定灵活的滑雪板操作。
2026-05-21 cs.RO
Loop-Free Inverse Reinforcement Learning via Sequential Value Recovery with Q-Score Matching
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；University of Auckland（奥克兰大学）
本文提出无循环逆强化学习（LFIRL），通过扩散策略编码的动作梯度结构，将奖励学习转化为顺序价值恢复问题，消除策略优化循环，实现2-3倍加速并保持高质量奖励恢复。
2026-10-01 cs.AI cs.LG
PGMT: Perceptive General Motion Tracking for Humanoid Robots
Zhejiang University（浙江大学）；National University of Singapore（新加坡国立大学）；MirrorMe Technology Co., Ltd.（MirrorMe科技有限公司）
PGMT提出一种感知式通用运动跟踪流程，通过地形感知与跟踪松弛，使人形机器人在复杂地形上实现自适应运动与全身行为，并支持远程操作与跌倒恢复。
2026-09-10 cs.RO
Data Driven Computational Model for Bipedal Walking and Push Recovery
Indian Institute of Information Technology Allahabad（印度信息技术学院阿拉哈巴德分校）
在本研究中，我们开发了数据驱动的计算步行模型，以克服传统的基于运动学的模型的问题。该模型具有自适应性，可以调整与人体形态相似的参数。人类行走是不同离散子阶段与其连续动态的组合。任何表现出离散切换逻辑和连续动态的系统都可以用混合系统来表示。在这项研究中，双足运动进行了分析，这是重要的理解的稳定性和协商与外部扰动。我们还研究了其他重要的行为推动恢复。Push恢复也是人类通过与环境的持续交互而获得的一种非常重要的行为。研究人员正在努力开发必须具有推动恢复能力的机器人，以便在动态环境中安全机动。在杂乱的环境中，推是一种非常常见的现象。人体可以通过髋、膝、踝关节不同的蹬伸策略从一定程度上恢复。不同的人有不同的推动恢复能力。例如，摔跤手与正常人相比具有更好的推动协商能力。因此，人类获得的推送协商能力是基于学习的，但学习机制仍然是未知的研究人员。世界各地的研究界正在试图开发各种人形模型来解决这个谜团。鉴于所有传统的基于力学和控制的模型都有一些固有的局限性，基于学习的计算模型已经被开发来有效地解决这个问题。在这项研究中，我们将讨论我们如何将这个问题框架为混合系统。
2017-10-18 cs.RO
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
Learning natural locomotion behaviors for humanoid robots using human knowledge
本文提出了一种新的学习框架，该框架利用模仿学习、深度强化学习和控制理论的知识来实现类人机器人自然、动态和鲁棒的人类风格运动。我们提出了新的方法来引入人类偏见，即运动捕捉数据和一个特殊的多专家网络结构。我们使用多专家网络结构来平滑地混合行为特征，并对任务和模仿奖励使用增强奖励设计。我们的奖励设计是可组合的，可调的，并通过使用传统的人形控制的基本概念来解释。我们对学习框架进行了严格的验证和基准测试，该框架在各种测试场景中始终产生强大的运动行为。此外，我们证明了在存在干扰（如地形不规则和外部推动）的情况下学习鲁棒和通用策略的能力。
2021-02-11 cs.RO
Human-as-Humanoid: Enabling Zero-Shot Humanoid Learning from Ego-Exo Human Videos with Human-Aligned Embodiments
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；DeepCybo；ZGCA；ZGCI；Harbin Institute of Technology（哈尔滨工业大学）；Huazhong University of Science and Technology（华中科技大学）；Beihang University（北京航空航天大学）
提出Human-as-Humanoid框架，通过对齐机器人本体、感知设置和动作标签接口，将大规模人类演示视频转化为可执行的动作监督，实现高自由度人形机器人的零样本学习。
2026-07-01 cs.RO
Push the Limit: Learning High-Speed Sprinting and Aggressive Cornering on a Full-Scale Humanoid
Noetix Robotics（诺蒂克斯机器人公司）；Tsinghua University（清华大学）
本研究提出基于学习的框架，采用因果MHA模块、航向方向奖励及技能条件MAMP判别器，实现全尺寸人形机器人超7 m/s高速冲刺与25°激进转弯，在仿真与真机部署中验证了效果。
2026-10-14 cs.RO
Demonstration-Guided Humanoid Stand-Up on an Emulated Deformable Surface
Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
该研究提出参考引导强化学习框架，利用硬地面人类演示，使29自由度Unitree G1类人机器人在仿真可变形软地面成功完成站立任务，明确恢复奖励是成功的关键。
2026-08-24 cs.RO
Quadruped Capturability and Push Recovery via a Switched-Systems Characterization of Dynamic Balance
Southern University of Science and Technology（南方科技大学）；University of Notre Dame（圣母大学）
本文研究四足机器人运动的捕获性和推力恢复。尽管关于足式机器人的可捕获性分析和推动恢复控制的文献丰富，但现有的工具主要是为两足动物或类人动物开发的。独特的四足特征，如点接触和多摆动腿，防止直接应用这些方法。为了解决这个差距，我们提出了一个切换系统模型的四足动力学，并实例化的抽象可行性概念四足运动与基于时间的步态。捕获的特点是通过一个新的规范的动态平衡状态，解决了四足运动和平衡的时变性质。一个线性倒立摆（LIP）模型被采用来证明理论和显示如何新开发的四足捕获能力可以用于运动规划四足推动恢复。我们制定和解决一个明确的模型预测控制（EMPC）问题，其最优解充分表征四足动物的捕获能力与LIP。基于此分析，设计了一种基于优化的规划方案，用于在推恢复期间确定脚步和质心参考。为了验证整个框架的有效性，我们进行了大量的仿真和硬件实验。仿真结果表明，考虑动态平衡的四足机器人的捕获能力的必要性，和显着改善的干扰抑制与所提出的策略。对迷你猎豹四足动物的复制品进行的实验验证表明，与最先进的技术相比，其性能提高了100%。
2022-02-17 cs.RO
SPOT: Spatial Perception-Oriented Long-Horizon Humanoid Teleoperation
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）
针对人形机器人遥操作中空间感知视界受限的问题，提出SPOT系统，通过鱼眼相机、宽视场显示与视角解耦，提升长时间跨度数据收集的效率与准确性。
2026-09-09 cs.RO
Unified Multi-Contact Fall Mitigation Planning for Humanoids via Contact Transition Tree Optimization
Duke University（杜克大学）
本文提出了一种多接触的方法，广义的人形跌倒缓解规划，统一惯性塑造，保护性的步伐，和手接触的战略。规划器优化接触序列和机器人状态轨迹。进行高级树搜索以迭代地生长联系人转换树。在树的每个边缘，轨迹优化用于计算机器人稳定轨迹，该轨迹产生期望的接触过渡，同时最小化动能。此外，在树的每个节点，优化器试图找到一个自运动（惯性成形运动），以消除动能。本文还提出了一种快速有效的初始种子生成方法，以利于轨迹优化。实验表明，我们提出的算法可以产生复杂的稳定策略的模拟机器人在不同的初始推力和环境形状。
2018-10-14 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
Learning Getting-Up Policies for Real-World Humanoid Robots
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Simon Fraser University（西蒙弗雷泽大学）
本文提出一种两阶段课程学习框架，通过精确建模碰撞几何解决稀疏奖励和复杂接触模式问题，使真实世界中人形机器人能够从多种姿态和地形中起身。
2025-04-27 cs.LG cs.RO
Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction
University of Florida（佛罗里达大学）
针对屋顶施工中人形机器人在倾斜表面的运动挑战，提出任务语义场景锚定框架，结合轨迹优化与执行感知强化学习，在Unitree G1上实现满足支撑、间隙和非穿透标准的全身运动，误差低于0.531厘米。
2026-09-18 cs.RO
Discrete time model predictive control for humanoid walking with step adjustment
Robert Bosch Centre for Cyber Physical Systems, Indian Institute of Science（印度科学学院罗伯特·博世网络物理系统中心）；Computer Science and Automation, Indian Institute of Science（印度科学学院计算机科学与自动化系）
本文提出一种分层离散时间模型预测控制方法，结合线性倒立摆模型与任务空间控制器实现在线脚步调整，仿真验证其稳定行走和抗推力扰动能力。
2024-10-18 cs.RO
Authoring and Operating Humanoid Behaviors On the Fly using Coactive Design Principles
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）；Figure AI, Inc.（Figure AI公司）
本文利用可供性模板和协同设计原则，通过交互式姿态目标实现人形机器人行为的即时编写，并在Nadia机器人上验证了推门和拾放任务的有效性。
2023-07-25 cs.RO
