WholeBodyWAM: Generalizing Pre-trained World-Action Priors to Humanoid Loco-Manipulation via WBC-Grounded Coordination
The Chinese University of Hong Kong（香港中文大学）；The University of Hong Kong（香港大学）；Peking University（北京大学）
WholeBodyWAM通过联合预测视觉动态、操作动作和全身控制意图，将预训练的世界-动作先验泛化到人形机器人全身操作，在仿真和真实实验中显著提升了任务成功率与泛化能力。
2026-09-16 cs.RO
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
HDMI: Learning Interactive Humanoid Whole-Body Control from Human Videos
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
本文提出 HDMI 框架，从单目人类视频构建轨迹数据并训练强化学习全身控制策略，实现人形机器人零样本仿真到真实的多样物体交互。
2025-09-27 cs.RO
A Study of Shared-Control with Force Feedback for Obstacle Avoidance in Whole-body Telelocomotion of a Wheeled Humanoid
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
远程操作已经成为完全自主系统的替代解决方案，用于在类人机器人上实现人类水平的能力。具体来说，具有全身控制的遥操作是一种很有前途的免提策略来命令类人机器人，但需要更多的体力和脑力。为了缓解这一限制，研究人员提出了共享控制方法，将机器人决策纳入其中，以帮助人类完成低级任务，进一步减少操作工作量。然而，共享控制方法的轮式人形telelocomotion在全身水平上还有待探索。在这项工作中，我们研究了全身反馈如何影响不同的共享控制方法在不同环境中避障的性能。提出了一种基于时间导数的S形函数（TDSF），以产生更直观的障碍物力反馈。进行了全面的人体实验，结果得出结论，力反馈增强了在陌生环境中的全身远程运动性能，但可能会降低在熟悉环境中的性能。通过触觉传达机器人的意图显示了进一步的改进，因为操作员可以利用力反馈进行短距离规划，并利用视觉反馈进行长距离规划。
2022-09-12 cs.RO
SMAP: Self-supervised Motion Adaptation for Physically Plausible Humanoid Whole-body Control
School of Computer Science, Wuhan University（武汉大学计算机学院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））；The Chinese University of Hong Kong（香港中文大学）；Fudan University（复旦大学）；National University of Singapore（新加坡国立大学）
本文提出SMAP框架，通过矢量量化周期性自编码器将人体运动适配为物理可行的人形机器人运动，并利用特权教师蒸馏精确模仿技能，提升全身控制的稳定性与性能。
2025-05-26 cs.RO
LangWBC: Language-directed Humanoid Whole-Body Control via End-to-end Learning
University of California, Berkeley（加州大学伯克利分校）
本文提出LangWBC，一种端到端语言导向的人形机器人全身控制策略，结合强化学习与策略蒸馏，并引入CVAE结构，实现基于语言输入的敏捷多功能全身运动，在仿真与真实世界中均表现出鲁棒的控制与泛化能力。
2025-04-30 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
It Takes Two: Learning Interactive Whole-Body Control Between Humanoid Robots
Shanghai Jiao Tong University（上海交通大学）
提出双人形机器人动作模仿框架Harmanoid，通过接触感知动作重定向和交互驱动动作控制器显式建模智能体间接触与交互感知动力学，有效解决单人形机器人的孤立问题，显著提升交互式动作模仿效果。
2025-10-11 cs.MA cs.RO
Rhythm: Learning Interactive Whole-Body Control for Dual Humanoids
Fudan University（复旦大学）；TARS Robotics（TARS机器人）；Tsinghua University（清华大学）；Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
本文提出Rhythm框架，通过整合交互感知动作重定向、交互引导强化学习和现实部署系统，实现双人形机器人在复杂物理交互中的鲁棒控制。
2026-09-11 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
Fast Whole-Body Motion Control of Humanoid Robots with Inertia Constraints
University of Bonn（波恩大学）
我们介绍了一种新的，分析方法产生全身运动的人形机器人，它近似所需的复合刚体（CRB）的惯性。我们的方法使用减少五个质量模型，其中四个质量归因于四肢，一个用于躯干。这种紧凑的制定允许找到一个分析解决方案，结合运动学与质量分布和惯性特性的人形机器人。然后直接使用笛卡尔空间中的质量的定位来获得具有基于简单几何的关系的关节角度。运动是通过所需的脚定位和CRB惯性特性产生的姿势的时间演变来实现的。因此，我们实现了几十微秒量级的短计算时间。这使得该方法适合于具有有限计算资源的应用，或者将它们花费在诸如模型预测控制之类的高层任务上。该方法进行评估，通过执行动态踢运动与一个igus类人开放平台机器人。
2020-07-13 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
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
SENTINEL: A Fully End-to-End Language-Action Model for Humanoid Whole Body Control
Peking University（北京大学）；BeingBeyond
SENTINEL是一种端到端语言-动作模型，通过直接映射语言指令和本体感觉输入到低层动作，实现人形机器人全身控制，并支持多模态扩展。
2025-11-24 cs.AI cs.RO
HEX: Humanoid-Aligned Experts for Cross-Embodiment Whole-Body Manipulation
Beijing Innovation Center of Humanoid Robotics（北京人形机器人创新中心）；Xi’an Jiaotong University（西安交通大学）；Nankai University（南开大学）；Peking University（北京大学）
HEX通过引入人形对齐的通用状态表示和混合专家统一本体预测器，实现了对全尺寸双足人形机器人全身体操作的协调控制，展示了在任务成功率和泛化能力上的最新成果。
2026-10-23 cs.RO
Whole-body Humanoid Robot Locomotion with Human Reference
PNDbotics
本文提出了一种基于对抗运动先验的模仿学习框架，应用于全尺寸人形机器人Adam，使其在复杂运动任务中达到与人类相当的性能，首次实现了人类运动数据在全尺寸人形机器人上的模仿学习。
2024-08-26 cs.RO
SafeFlow: Real-Time Text-Driven Humanoid Whole-Body Control via Physics-Guided Rectified Flow and Selective Safety Gating
Future Robot AI Group, Samsung Electronics（三星电子未来机器人人工智能小组）
本文提出SafeFlow框架，结合物理引导的运动生成与三级安全门，通过显式风险指标实现安全可控的文本驱动人形全身体控制，实验表明其在成功率、物理合规性和推理速度上优于现有扩散方法。
2026-09-16 cs.AI cs.RO cs.SY
Exploring Kinodynamic Fabrics for Reactive Whole-Body Control of Underactuated Humanoid Robots
University of Michigan（密歇根大学）
针对双足人形机器人需同时执行多任务并实时响应干扰的需求，提出Kinodynamic Fabrics方法，通过受力谱半喷雾规范优先级任务并实时求解关节加速度，实验表明其在运行时间和反应性上优于现有基于二次规划的全身控制器，且已开源。
2023-08-23 cs.RO
X-WBC: A Cross-Embodiment Foundation Model for Humanoid Whole-Body Control
Tongji University（同济大学）；Shanghai Innovation Institute（上海创新研究院）；Fudan University（复旦大学）
X-WBC提出跨具身基础框架，分离共享人体运动语义与本体特定执行，通过因果Transformer和轻量模块实现多机器人联合训练，在模拟与真实机器人上验证了性能提升与泛化能力。
2026-10-27 cs.RO
Anti-Gravity Walking by a Flying Humanoid Robot via Thrust-Rate Input Whole-Body Model Predictive Control
The University of Tokyo（东京大学）
针对飞行人形机器人在天花板等反重力环境中的行走问题，提出以推力速率为控制输入的全身模型预测控制框架，通过保证推力连续性和引入接触力下界，实现稳定行走，并经仿真和硬件实验验证。
2026-09-09 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
General Humanoid Whole-Body Control via Pretraining and Fast Adaptation
Wuhan University（武汉大学）；BeingBeyond；Peking University（北京大学）
本文提出FAST框架，通过预训练和快速适应实现双足机器人全身控制的通用性，提升鲁棒性和适应效率。
2026-02-12 cs.RO
KINO: A Keyframe Interface for VLM Planning and Whole-Body Control in Humanoid Loco-Manipulation
ETH Zürich（苏黎世联邦理工学院）
提出分层框架KINO，以运动关键帧连接VLM规划与RL控制，通过显著性采样策略将人形移动操作成功率从44%提升至92%，并在仿真和Unitree G1上验证。
2026-09-17 cs.RO
Expressive Whole-Body Control for Humanoid Robots
UC San Diego（加州大学圣迭戈分校）
针对人形机器人直接模仿人类动作存在自由度与物理能力差距的问题，提出Exbody方法，通过上半身模仿参考动作、双腿仅跟随速度的策略，结合仿真训练与Sim2Real迁移，实现机器人在现实中完成多样富有表现力的动作。
2024-03-06 cs.LG 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
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
SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control
NVIDIA
本文提出了一种超大规模运动追踪方法，通过扩大模型容量、数据和计算资源，实现了一种能够产生自然且稳健全身体态的通用人形控制器，并展示了其在运动追踪任务中的可扩展性及在下游任务中的应用价值。
2026-08-14 cs.AI cs.CV cs.GR
Dynamic Locomotion Teleoperation of a Wheeled Humanoid Robot Reduced Model with a Whole-Body Human-Machine Interface
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）
双边遥操作为人形机器人提供了人类规划智能，同时使人类能够感受到机器人的感受。它有可能将具有物理能力的人形机器人转变为动态智能机器人。然而，动态双边运动遥操作仍然是一个挑战，由于它涉及到复杂的动力学。这项工作提出了我们的第一步，以应对这一挑战，通过概念的轮式人形机器人运动的身体倾斜遥操作。具体来说，我们开发了一个力反馈功能的全身人机界面（HMI），并设计了力反馈映射和两个遥操作映射，映射人体的倾斜机器人的速度或加速度。我们比较了这两个映射，并通过实验研究了力反馈的效果，其中七个人类受试者遥操作一个模拟机器人与HMI执行动态目标跟踪任务。实验结果表明，所有被试在练习后都完成了两种映射的任务，并且力反馈提高了他们的成绩。然而，受试者表现出两种不同的遥操作风格，这得益于不同的力反馈。此外，力反馈影响了被试对遥操作映射的偏好，尽管大多数被试在速度映射方面表现更好。
2021-09-08 cs.RO
Hierarchical Learning Framework for Whole-Body Model Predictive Control of a Real Humanoid Robot
ATR Computational Neuroscience Laboratories（ATR计算神经科学实验室）；NTT Communication Science Laboratories, Nippon Telegraph and Telephone Co.（日本电报电话公司NTT通信科学实验室）；Graduate School of Informatics, Kyoto University（京都大学情报学研究科）
针对人形机器人全身MPC的仿真现实差距与高计算量问题，提出三层分层学习框架，通过上层残差增广动力学模型、中下层高频策略实现多样运动生成，经10种场景验证可在真实机器人上有效落地。
2024-09-13 cs.RO
ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots
State Key Laboratory of AI Safety, Institute of Computing Technology, CAS（中国科学院计算技术研究所人工智能安全国家重点实验室）；University of Chinese Academy of Sciences (CAS)（中国科学院大学）；Beijing Academy of Artificial Intelligence (BAAI)（北京智源人工智能研究院）
ViLoMan提出可扩展框架，通过将人-物交互演示转为机器人轨迹并利用师生蒸馏学习统一策略，使Unitree G1人形机器人仅凭机载感知完成关门任务，实现稳健泛化与仿真到现实迁移。
2026-09-18 cs.RO
AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control
UC San Diego（圣迭戈大学）
本文提出AMO框架，融合仿真到现实强化学习与轨迹优化，通过混合数据集缓解分布偏差，在29自由度Unitree G1上实现更稳定、更大工作空间的自适应全身控制，并支持自主任务执行。
2025-05-06 cs.AI cs.LG cs.RO
Any2Any: Efficient Cross-Embodiment Transfer for Humanoid Whole-Body Tracking
LimX Dynamics（LimX动力学）
提出Any2Any范式，通过运动学对齐和动力学微调，实现预训练全身跟踪模型高效迁移至新的人形机器人本体，仅需少量数据和计算即可达到竞争性跟踪性能。
2026-06-19 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
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
From Experts to a Generalist: Toward General Whole-Body Control for Humanoid Robots
Peking University（北京大学）；BeingBeyond
针对人形机器人全身控制泛化难的问题，提出结合运动聚类与仿真到现实迁移的BumbleBee框架，经多组专家策略训练蒸馏为通用控制器，实现了当前最优的通用全身控制效果。
2025-09-02 cs.LG 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
Inertially Significant Humanoid Teleoperation via Whole Body Model Predictive Control and Online Parameter Estimation
Florida Institute for Human & Machine Cognition（佛罗里达人机认知研究所）；University of West Florida（西佛罗里达大学）
本文提出将全身模型预测控制器与扩展卡尔曼滤波器集成的方案，结合VR界面，通过仿真和硬件实验验证了可实现惯性显著人形机器人的有效遥操作。
2026-10-16 cs.RO
FRoM-W1: Towards General Humanoid Whole-Body Control with Language Instructions
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）
FRoM-W1通过语言指令实现人形机器人全身控制，结合大规模语言模型和强化学习提升动作生成与执行能力。
2026-01-19 cs.CL cs.CV cs.RO
HWC-Loco: A Hierarchical Whole-Body Control Approach to Robust Humanoid Locomotion
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Harbin Institute of Technology（哈尔滨工业大学）；DexForce Technology（DexForce科技）；Southeast University（东南大学）
针对人形机器人控制模型在环境差异下鲁棒性不足、安全与任务完成度难平衡的问题，提出分层全身控制算法HWC-Loco，通过鲁棒优化与分层策略动态权衡安全与任务，在多场景实验中性能优于现有先进模型。
2025-05-18 cs.RO
Dynamic Complementarity Conditions and Whole-Body Trajectory Optimization for Humanoid Robot Locomotion
Italian Institute of Technology（意大利技术研究院）；University of Manchester（曼彻斯特大学）；University of Genoa（热那亚大学）
提出了一种利用人形机器人的质心动力学和完整运动学生成步行轨迹的规划器。通过新的条件，\emph{Dynamical Complementarity Constraints}的机器人和行走表面之间的相互作用明确建模。该方法不需要预定义的接触序列，并自动生成足迹。我们通过一组任务的机器人控制目标的特点，我们解决它通过解决一个最优控制问题。我们表明，它是可以实现步行运动自动指定一组最小的参考，如一个恒定的所需的质心速度和地面上的参考点。此外，我们分析了接触模型的选择如何影响计算时间。我们通过生成和测试人形机器人iCub的行走轨迹来验证该方法。
2022-07-07 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
Embodiment-Aware Generalist Specialist Distillation for Unified Humanoid Whole-Body Control
Shanghai Jiao Tong University（上海交通大学）；Shanghai AI Lab（上海人工智能实验室）
EAGLE通过通用-专家蒸馏框架实现多形态人形机器人统一控制，提升跨形态迁移能力和复杂行为执行。
2026-02-27 cs.AI cs.LG cs.RO
Collision-Aware Humanoid Whole-Body Control under Imperfect Tracking Targets
Oregon State University（俄勒冈州立大学）
针对全身控制器忽视场景几何导致碰撞的问题，提出RECAL交叉注意力层，融合环境点云实现碰撞感知跟踪，在仿真和真实Digit V3机器人上验证了碰撞避免与跟踪性能的兼顾。
2026-10-01 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
Athena-WBC: Capability-Aligned Policy Experts for Long-Tail Humanoid Whole-Body Control
XPENG ROBOTICS（XPENG机器人）
研究发现仅靠重新分配训练精力改进人形运动跟踪控制器不完整。提出Athena-WBC，含能力对齐策略专家，动态专家用特定目标，平衡专家用重力课程，经蒸馏和微调，提升长尾运动恢复及跟踪性能。
2026-08-25 cs.RO
LeVERB: Humanoid Whole-Body Control with Latent Vision-Language Instruction
University of California Berkeley（加州大学伯克利分校）；Norwegian University of Science and Technology（挪威科学与技术大学）；Simon Fraser University（西蒙弗雷泽大学）；Carnegie Mellon University（卡内基梅隆大学）
针对现有VLA模型依赖手工动作词汇而难以实现人形全身控制的问题，本文提出LeVERB分层潜在指令跟随框架，并构建150余任务的基准，零样本成功率整体达58.5%，较基线提升7.8倍。
2025-09-25 cs.AI 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
Mobile-TeleVision: Predictive Motion Priors for Humanoid Whole-Body Control
UC San Diego（加利福尼亚大学圣迭戈分校）；MIT（麻省理工学院）
本文提出将上肢操作与下肢运动解耦，用 CVAE 训练预测性运动先验（PMP）表示上肢运动，并以此条件训练强化学习运动策略，从而在精确操作上显著优于全身 RL 控制，实现人形机器人远程操控下的行走与多样化操作。
2025-03-09 cs.AI cs.LG cs.RO
Semantic Audio-driven Understanding for Dynamic Humanoid Whole Body Control
Sapienza University of Rome（罗马第一大学）；International University of Rome（罗马国际大学）
研究针对人形机器人自主性和动态环境响应受限问题，提出语义音频驱动的多模态编排框架，通过处理音频流、结合音乐与语音输入及强化学习控制，验证了该方法在模拟和实体机器人上的有效性。
2026-07-17 cs.AI cs.RO
ExBody2: Advanced Expressive Humanoid Whole-Body Control
UC San Diego（加州大学圣迭戈分校）；UC Berkeley（加州大学伯克利分校）；MIT（麻省理工学院）
本文提出Exbody2方法，通过解耦全身速度跟踪与关键点跟踪、教师策略过滤不可行动作，训练可迁移到真实人形机器人的全身控制策略，实现行走、蹲下和跳舞等 expressive 运动。
2025-03-12 cs.AI cs.LG cs.RO
Predictive Whole-Body Control of Humanoid Robot Locomotion
Fondazione Istituto Italiano di Tecnologia（意大利技术研究院基金会）；Università di Genova（热那亚大学）
人形机器人是具有拟人化形状的机器。尽管对这个问题进行了数十年的研究，但从算法的角度来解决机器人运动问题仍然具有挑战性。例如，这些机器在不利用与环境的接触的情况下无法实现恒定的向前身体运动。由接触产生的反作用力受到很强的限制，使控制律的设计复杂化。因此，产生的人形运动需要充分利用的数学模型的机器人与环境接触或诉诸approximatesofit.This论文研究预测和最优控制技术，解决人形机器人的运动任务。它们从系统模型和目标中生成控制输入值，通常将其转换为成本函数以最小化。特别是，这篇论文解决了几个方面的人形机器人运动问题的复杂性渐增。首先，我们考虑单步的推恢复问题。也就是说，我们的目标是在强烈的外部干扰后保持直立的姿势。其次，我们生成并稳定行走运动。此外，我们采用预测技术来执行更多的动态运动，如大的步进。上述应用利用不同的简化或假设来促进对应运动任务的易处理性。此外，他们首先考虑脚的位置，然后才考虑如何保持平衡。我们试图消除所有这些简化。[续]
2020-04-16 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
Beyond Kinematic Tracking: Preserving Expressive Characteristics in Humanoid Whole-Body Control
University College London（伦敦大学学院）
该研究针对人形机器人全身控制中表现力特征保留不足的问题，提出带补偿目标和运动感知门控的残差学习框架，经 Unitree G1 实验验证可更好保留动态与姿势运动特征。
2026-10-15 cs.RO
TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
TRACE是一种高效跨本体适配框架，可将预训练人形控制器在不同体型与动力学的机器人间复用，以极低成本实现高成功率的运动跟踪与遥操作。
2026-10-14 cs.RO
