Proprioceptive-visual correspondence enables self-other distinction in humanoid robots
Eastern Institute of Technology, Ningbo（宁波东方理工大学）；Shanghai Jiao Tong University（上海交通大学）；Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）；East China Normal University（华东师范大学）；Ningbo Institute of Digital Twin（宁波数字孪生研究院）
提出通过本体感觉与视觉的对应学习自我-他人区分，无需身份标签或运动学模型，并建立预测性自我模型，支持目标到达、碰撞感知运动规划和运动重定向。
2026-06-12 cs.AI cs.RO
Proprioceptive Invariant State Estimation for Humanoid Robots on Non-Inertial Ground
Purdue University（普渡大学）
提出一种仅使用本体感觉的InEKF方法，利用足部IMU和运动学约束，实现非惯性地面上仿人机器人的实时状态估计，收敛速度提升96%，位置误差降低80%。
2026-06-19 cs.RO cs.SY eess.SY
FOCUS: Foot Observation Confidence for Robust Humanoid Proprioceptive Odometry
Wuhan University（武汉大学）；AgiBot
该研究提出FOCUS模型，通过预测足部正运动学的连续可靠性权重，改进人形本体里程计，在模拟与真实实验中显著降低了绝对轨迹误差，提升了里程计的稳健性。
2026-09-03 cs.RO
Proprioceptive External Torque Learning for Floating Base Robot and its Applications to Humanoid Locomotion
Seoul National University（首尔国立大学）
本文提出一种仅用本体感知传感器学习浮动基座机器人外部关节力矩的 GRU 网络方法，其估计误差小于动量观测器，可支持 ZMP 反馈实现稳定行走，并有望移除力矩传感器。
2023-09-08 cs.AI cs.RO
A Change of Frame Makes the Capture Point Proprioceptive: Distillation-Free Humanoid Single-Leg Balance
针对人形机器人单腿平衡的通用策略无法实现干净站立的问题，提出首个可部署动态-CoM策略FDDC，结合相关方法与基准，大幅提升平衡成功率并实现硬件迁移，推动平衡能力的标准化衡量。
2026-10-05 cs.RO
EATR-Stereo: Embodiment-Aware Token Routing of Paired Stereo Evidence for Humanoid Vision-Language-Action Control
Harbin Institute of Technology（哈尔滨工业大学）
EATR-Stereo是具身感知的令牌路由框架，在冻结预训练VLA模型的前提下，通过选择性路由配对立体证据，提升了人形机器人长时程视觉-语言-动作控制的任务成功率。
2026-08-21 cs.RO
Contrastive Representation Learning for Robust Sim-to-Real Transfer of Adaptive Humanoid Locomotion
Adaptive Robotic Controls Lab (ArcLab), Department of Mechanical Engineering, The University of Hong Kong, Hong Kong SAR, China（适应性机器人控制实验室（ArcLab）、机械工程系、香港大学、香港特别行政区，中国）；PNDbotics, China（PNDbotics，中国）
本文提出对比学习框架，使纯本体感知策略编码仿真特权信息并赋能自适应 gait clock，实现前瞻性主动调整，解决鲁棒性与主动性权衡，零样本迁移至全尺寸仿人机器人验证了在复杂地形上的有效鲁棒 locomotion。
2025-09-16 cs.RO
CubiXMusashi: Fusion of Wire-Driven CubiX and Musculoskeletal Humanoid Musashi toward Unlimited Performance
The University of Tokyo（东京大学）
本文将肌肉骨骼人形机器人Musashi与线驱动机器人CubiX融合为CubiXMusashi，通过线缆连接环境并驱动，成功实现引体向上、躺姿起身和空中踢腿等原本难以完成的运动，展示了人形机器人借助环境连接突破自身物理限制的新途径。
2024-10-31 cs.RO
Examining the legibility of humanoid robot arm movements in a pointing task
Faculty of Mathematics, Physics；Informatics, Comenius University Bratislava, Slovakia DIBRIS, University of Genoa, Genoa, Italy CONTACT, Italian Institute of Technology, Genoa, Italy Digital Health Dept., Nvision Systems \& Technologies, S.L., Barcelona, Spain Faculty of Education, University of Ljubljana, Slovenia
本研究通过NICO仿人机器人指向实验，验证了多模态优势与视觉主导假说，揭示人类可依据截断运动及身体线索预测机器人意图。
2025-08-07 cs.RO
Unsupervised Contact Learning for Humanoid Estimation and Control
Computational Learning and Motor Control Lab, University of Southern California（南加州大学计算学习与运动控制实验室）；Autonomous Motion Department, Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所自主运动系）；New York University（纽约大学）
这项工作提出了一种接触状态估计的方法，使用模糊聚类学习接触概率为全，六维人形接触。训练所需的数据仅来自本体感受传感器-末端效应器接触扳手传感器和惯性测量单元（IMU）-并且该方法完全无人监督。所得到的聚类方法被用来有效地计算接触的概率在六个endeffector自由度（DoF）独立。这种基于聚类的接触概率估计器在基于运动学的基本状态估计器中进行了验证，该估计器在模拟环境中具有逼真的增加的传感器噪声，用于在粗糙，低摩擦地形上的机器人受到脚滑动和旋转的运动。利用这六个DoF接触概率估计的拟议基本状态估计器的性能比纯粹基于测量的法向力确定运动接触约束的估计器要好得多。
2017-09-21 cs.RO
State Estimation for a Humanoid Robot
University of Southern California（南加州大学）；ETH Zurich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文介绍了一个人形机器人平台上的状态估计框架，只使用常见的本体感觉传感器和腿部运动学知识。所提出的方法扩展了[1]中详细描述的四足平台，通过将人形的扁平足施加的旋转约束。在以前的工作中，建议的扩展卡尔曼滤波器（EKF）适应接触切换，并没有假设步态或地形，使其适用于任何人形平台上使用的任何任务。该滤波器采用基于传感器的预测模型，该预测模型使用来自IMU的惯性数据，并使用基于运动学的测量模型来校正综合误差，该测量模型依赖于关节编码器和运动学模型来确定脚的相对位置和方向。对原滤波器和更新滤波器进行了非线性可观测性分析，结果表明，新滤波器显著简化了奇异情况，提高了系统的可观测性。模拟行走和蹲下的数据集上的结果证明了扁平足滤波器的性能增益，以及确认所提出的可观性分析的结果。
2014-12-10 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
Motion Modification Method of Musculoskeletal Humanoids by Human Teaching Using Muscle-Based Compensation Control
The University of Tokyo（东京大学）
针对肌肉骨骼人形机器人难以精确控制的问题，本文提出一种基于肌肉补偿控制的方法，利用外力修正运动，并在Musashi机器人上验证了有效性。
2024-11-10 cs.RO
Realization of Seated Walk by a Musculoskeletal Humanoid with Buttock-Contact Sensors From Human Constrained Teaching
The University of Tokyo（东京大学）
本研究通过人类约束示教和臀接触传感器，在肌肉骨骼人形机器人MusashiOLegs上实现了坐姿行走的前进、后退与旋转运动。
2024-04-01 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
Data-Efficient Approach to Humanoid Control via Fine-Tuning a Pre-Trained GPT on Action Data
Osaka University（大阪大学）；The University of Electro-Communications（电气通信大学）
本文提出先在大规模含噪专家策略观测数据上预训练GPT，再在较小观测与动作数据集上微调，以数据高效方式实现人形机器人物理仿真环境中的类人运动控制。
2024-06-17 cs.RO
From Screen to Stage: Kid Cosmo, A Life-Like, Torque-Controlled Humanoid for Entertainment Robotics
Department of Mechanical and Aerospace Engineering, University of California, Los Angeles (UCLA)（机械与航空航天工程系，加州大学洛杉矶分校（UCLA））
本文提出Kid Cosmo，一款面向娱乐的儿童尺寸力矩控制人形机器人，通过28个自由度和本体感觉驱动器实现稳健行走与逼真动作，并在电影宣传中验证了角色体现与功能性的结合。
2025-08-16 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
KILVO: Kinematic-Inertial-LiDAR-Visual Odometry with Robust Multimodal Adaptation for Humanoid Robots
Harbin Institute of Technology（哈尔滨工业大学）
本文提出面向人形机器人的KILVO里程计，基于ESIKF整合多传感器并设计多模态自适应与接触估计模块，实验显示其精度、效率及鲁棒性优于现有方法，代码与数据集已开源。
2026-08-07 cs.RO
SixthSense: Task-Agnostic Proprioception-Only Whole-Body Wrench Estimation for Humanoids
The Hong Kong University of Science and Technology（香港理工大学）；Zhejiang University（浙江大学）；Tencent Robotics X（腾讯机器人实验室）
本文提出SixthSense，一种基于本体感知和IMU数据的无任务依赖方法，用于估计人类oid的全身接触时间和位置及外部wrench，解决浮动物理动力学和不确定接触位置的难题。
2026-05-02 cs.RO
Yummy Operations Robot Initiative: Autonomous Cooking System Utilizing a Modular Robotic Kitchen and a Dual-Arm Proprioceptive Manipulator
Yummy Operations Robot Initiative
YORI是一种利用模块化厨房和双臂本体感知机械臂的自主烹饪系统，通过模块化设计和优化调度实现多道菜的高效烹饪。
2025-11-24 cs.RO
The homunculus for proprioception: Toward learning the representation of a humanoid robot's joint space using self-organizing maps
Czech Technical University in Prague（捷克布拉格技术大学）
在灵长类动物的大脑中，触觉和本体感受输入被传递到躯体感觉皮层，该皮层以躯体位置表征或“侏儒”而闻名。我们的研究中心是通过使用人形机器人和神经网络构建模型来理解这些和更高层次的身体表征（身体图式）的形成机制。我们特别关注如何从自我触摸配置中的体感信息中学习身体的空间表征。在这项工作中，我们的目标是本体感受输入的表示，我们把它作为机器人的关节角度。在不同的身体姿势中收集的输入作为自组织映射（SOM）的输入，在输出上具有2D晶格。在不受限制的、全对全的连接的情况下，地图不能够在保持拓扑关系的同时表示输入空间，因为身体姿势空间的固有维度太大。因此，我们使用了我们之前为触觉输入开发的方法（Hoffmann，Straka等人，2018），称为MRF-SOM，其中输出神经元的最大接收场受到限制，因此它们只能学习表示输入空间的特定部分。这与代表本体感觉的躯体感觉区域中的神经元的感受野一致，本体感觉通常对几个关节（例如手腕和肘部）的组合做出反应。
2019-09-05 cs.RO q-bio.NC
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
VB-Com: Learning Vision-Blind Composite Humanoid Locomotion Against Deficient Perception
Shanghai AI Laboratory（上海人工智能实验室）；The University of Hong Kong（香港大学）；Shanghai Jiao Tong University（上海交通大学）；Zhejiang University（浙江大学）；The Chinese University of Hong Kong（香港中文大学）
针对拟人机器人因感知缺陷易摔倒的问题，提出复合框架VB-Com，在视觉与盲策略间动态切换，有效提升了机器人在感知缺陷下穿越复杂地形的鲁棒性。
2025-06-01 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
A Joint Motion Model for Human-Like Robot-Human Handover
Bielefeld University of Applied Sciences（比勒费尔德应用科学大学）；Bielefeld University（比勒费尔德大学）
未来，机器人将出现在日常生活中。这些辅助机器人的开发是一个挑战。辅助机器人的一项基本任务是拿起物体并将其交给人类。通过与用户互动，可预测性、安全性和可靠性等软因素成为发展的重要因素。以前的工作表明，当机器人的行为和移动像人类时，与机器人的合作更容易被接受。在本文中，我们提出了一个运动模型的基础上的运动轮廓的各个关节。这些运动轮廓是基于人-人切换中的关节运动的观察和测量。我们实现了这个关节运动模型（JMM）上的人形和非人形工业机器人显示主体的运动。特别注意的是动作的可识别性和人类相似性。结果表明，与传统模型相比，人们能够识别类似人类的运动，并将JMM的运动感知为更像人类。此外，事实证明，线性关节空间轨迹和JMM之间的差异在工业机器人中比在人形机器人中更明显。
2018-08-28 cs.RO
From Video to Vision: Learning Generalizable Humanoid Carrying from Human Motion
X-Humanoid（X人形机器人）
针对现有人形机器人搬运策略泛化差、依赖动作捕捉的问题，提出MOVER多阶段RL框架，经三阶段训练与Dagger-PPO蒸馏，实现人形机器人在无动作捕捉环境中通过自身RGB-D相机完成不同位置物体搬运。
2026-10-30 cs.RO
$ω$-0: A Latent Predictive World Action Model for Concurrent Humanoid Loco-Manipulation
NTU（南洋理工大学）；PKU（北京大学）；BAAI（北京智源人工智能研究院）；HKUST(GZ)（香港科技大学（广州））
本文提出 ω-0 模型，针对类人机器人协同移动操作问题，结合潜在视觉预见与扩散动作生成，在 11 项家庭任务上优于多个基线，还构建了 ω-HOME 数据集。
2026-08-11 cs.RO
Imitation of human motion achieves natural head movements for humanoid robots in an active-speaker detection task
Tilburg University（蒂尔堡大学）
本研究采用生成式AI流水线为Nao人形机器人生成类人头部运动，并在群体对话的实时主动说话人跟踪任务中验证其自然模仿与跟踪能力。
2024-07-16 cs.AI cs.HC cs.LG
HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model
Tsinghua University（清华大学）；HKUST(Guangzhou)（香港科技大学（广州））；ETH Zurich（苏黎世联邦理工学院）；Xiaomi Robotics Lab（小米机器人实验室）
本文提出HAIC框架，通过动态预测和空间优先级构建动态占用地图，实现人形机器人在复杂动态环境下与不同物体的稳健交互，提升敏捷任务和多物体长周期任务的完成能力。
2026-05-08 cs.RO
Learning Humanoid Locomotion over Challenging Terrain
University of California, Berkeley（加州大学伯克利分校）
针对人形机器人复杂地形运动控制难题，提出基于transformer的学习方法，经预训练与强化学习微调后，在真实地形测试中展现鲁棒性与适应能力，完成长距离徒步及陡坡攀爬任务。
2024-10-04 cs.LG 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
PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination
Shanghai Innovation Institute（上海创新研究院）；Archon Robotics（Archon机器人公司）；The University of Hong Kong（香港大学）；NVIDIA（英伟达公司）
研究人形乒乓球双打需解决交替击球、碰撞风险等问题，提出PingpongDuo分层框架，仿真与现实实验验证其提升回球成功率、实现快速定位与连续击球的性能。
2026-10-15 cs.RO
Physics-Guided Biomechanical Gait Adaptation for Humanoid Locomotion on Extreme Sloped Terrains
Nanyang Technological University（南洋理工大学）；A*STAR（新加坡科技研究局）
研究类人机器人在极端倾斜地形的运动控制问题，提出HumoSlope两阶段物理引导框架，第一阶段建立平衡先验，第二阶段引入BSGA调节奖励，实现对不同坡度地形的适应，实验验证了该方法的有效性。
2026-07-10 cs.RO
PROBE: Proprioceptive Obstacle Detection and Estimation while Navigating in Clutter
Dept. of Computer Science, Rutgers University, NJ, USA（计算机科学系，罗杰斯大学，新泽西州，美国）；Amazon.com Inc.（亚马逊公司）；Rutgers University（罗杰斯大学）；Amazon Scholar（亚马逊学者）
针对视觉受阻场景，本文提出仅依赖本体感觉的 PROBE Transformer，利用扭矩与全身运动历史检测矩形障碍物并估计其 SE(2) 尺寸和位姿，且在仿真与真实四足机器人上验证。
2025-05-17 cs.RO
The Importance of Models in Data Analysis with Small Human Movement Datasets -- Inspirations from Neurorobotics Applied to Posture Control of Humanoids and Humans
Neurological University Clinic, University of Freiburg（弗莱堡大学神经大学诊所）
本文提出了一种基于卷积神经网络（CNN）的人体姿态控制系统辨识方法。所提出的控制模型的模块化结构启发了模块化识别过程的设计，在这个意义上，相同的神经网络用于识别控制不同自由度的模块的参数。通过这种方式，所呈现的由外部刺激引起的身体摇摆的示例一次提供多个训练样本。
2021-02-04 cs.LG cs.RO
Co-active Learning to Adapt Humanoid Movement for Manipulation
University of Maryland（马里兰大学）
本文提出协同学习框架，通过人机交互适应机器人末端执行器的运动以应对不同约束环境，实验验证了方法的有效性。
2016-09-12 cs.LG cs.RO cs.SY
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
TeleGate: Whole-Body Humanoid Teleoperation via Gated Expert Selection with Motion Prior
School of Computer Science and Technology, University of Science and Technology of China（中国科学技术大学计算机科学与技术学院）；AnyWit Robotics Co., Ltd., Shushan District, Hefei, Anhui, China（安徽合肥蜀山 district AnyWit 机器人有限公司）
本文提出TeleGate框架，通过门控网络动态激活专家策略，结合VAE运动先验模块预测未来动作，实现高精度动态动作远程操作。
2026-05-13 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
Surena-V: A Humanoid Robot for Human-Robot Collaboration with Optimization-based Control Architecture
本文介绍了人形机器人Surena-V，其通过配备气压触觉传感器和基于优化的控制架构（如ZMP修正与作用点外力检测），实现了更敏捷的环境交互与稳定的人机协作。
2025-01-28 cs.RO
Trunk Pitch Oscillations for Joint Load Redistribution in Humans and Humanoid Robots
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
为人形机器人创建看起来自然的跑步步态是一项复杂的任务，由于躯干中的欠驱动自由度，这使得运动规划和控制困难。对人体运动中躯干运动的研究还不够，也没有将人体运动模式转移到机器人上的形式化方法。相关的工作主要集中在下肢，并简化了问题稳定的躯干在一个固定的角度。相比之下，人类显示出遵循步态的自然动力学的显著躯干运动。在这项工作中，我们使用一个弹簧加载的倒立摆模型与躯干（TSLIP）连同一个虚拟点（VP）的目标，以创建躯干振荡，并调查这些运动的影响。我们分析了VP的位置和前进速度如何决定躯干振荡的方向和幅度。我们发现，定位VP低于质心（CoM）可以解释在人类运行中观察到的向前躯干俯仰。CoM下方的VP导致髋关节和腿部之间的协同工作，减少腿部负荷。然而，这是以增加峰值髋关节扭矩为代价的。我们的研究结果为利用躯干运动重新分配关节载荷和潜在地提高人形机器人的能量效率提供了见解。
2019-09-09 cs.RO
In Sync: Exploring Synchronization to Increase Trust Between Humans and Non-humanoid Robots
University of Warsaw（华沙大学）；LMU Munich（慕尼黑大学）
本研究基于人类同步增强信任的理论，提出动力学方法并构建可跟随人类动作、调整同步模式的非人形机器人原型，经51人对照实验证实同步动作可显著提升人机信任问卷评分。
2023-04-06 cs.HC cs.RO
Adaptive Locomotion on Mud through Proprioceptive Sensing of Substrate Properties
Department of Electrical and Computer Engineering University of Southern California（电气与计算机工程系美国南加州大学）
本文提出利用鳍状肢执行器电流与位置信号本体感知泥浆反力并估计其特性，结合机器人运动实现在线识别与步态自适应，从而避免打滑和被困。
2025-06-05 cs.RO
Robust Humanoid Walking on Compliant and Uneven Terrain with Deep Reinforcement Learning
CNRS-AIST JRL (Joint Robotics Laboratory) IRL, National Institute of Advanced Industrial Science and Technology (AIST), Japan（日本国家先进工业科学与技术研究院（AIST））；University of Tsukuba（筑波大学）；Department of Computer Science, Stanford University（斯坦福大学计算机科学系）
本文针对仿人机器人在柔性不平地形的鲁棒行走问题，提出基于模拟到现实的深度强化学习方法，通过随机地形训练课程和本体感受反馈实现真实机器人鲁棒行走，并提出可变步频控制策略提升鲁棒性。
2025-04-18 cs.RO
NuExo: A Wearable Exoskeleton Covering all Upper Limb ROM for Outdoor Data Collection and Teleoperation of Humanoid Robots
本文提出NuExo可穿戴上肢外骨骼，通过同步连杆与同步带肩部机构实现全ROM覆盖，并结合沉浸式遥操作与多模态数据采集，支持户外使用及多类人形机器人。
2025-03-13 cs.RO
Invariant Filtering for Legged Humanoid Locomotion on Dynamic Rigid Surfaces
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Purdue University（普渡大学）；University of Rhode Island（罗德岛大学）
动态刚性表面（DRS）上的腿运动的状态估计，动态刚性表面是在世界坐标系中移动的刚性表面（例如，船舶、飞机和火车），仍然是一个未被探索的问题。本文介绍了一种不变扩展卡尔曼滤波器，该滤波器通过使用足式机器人的常见传感器（例如，惯性测量单元（IMU）、关节编码器和RDB-D相机）。该滤波器的一个关键特征在于，它明确地解决了非静止的表面-脚接触点和混合机器人的行为。另一个关键特征是，在没有IMU偏差的情况下，滤波器满足吸引群仿射和不变观测条件，因此对于确定性连续相位可证明收敛。可观测性分析揭示DRS运动对状态可观测性的影响，并检查的混合，确定性滤波器系统的可观测状态变量的收敛性。数字人形机器人在俯仰跑步机上行走的实验验证了该滤波器在大估计误差和适度DRS运动下的有效性。实验的视频可以在https://youtu.be/ScQIBFUSKzo上找到。
2022-05-16 cs.RO
PRIMO: Prior-Informed Odometry from Human-Motion Tracking for Humanoid Robots
Wuhan University（武汉大学）；Agibot（智元机器人）
PRIMO通过人体运动跟踪生成多样化训练数据，并利用物理与对称性先验及原始上下文路径，显著提升人形机器人本体感觉里程计的仿真到现实泛化能力，大幅降低误差。
2026-09-22 cs.RO
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
Sparse Wearable Sonomyography Sensor-based Proprioceptive Proportional Control Across Multiple Gestures
Indian Institute of Technology Delhi（印度德里理工学院）；All India Institute of Medical Sciences（全印度医学科学研究院）
本研究利用8通道可穿戴声肌图（SMG）系统实现多手势实时位置比例控制，经8名受试者测试，所有手势平均成功率超80%，验证了SMG作为直观人机界面的潜力。
2024-03-08 cs.HC cs.RO eess.SP
Multimodal Gaze Stabilization of a Humanoid Robot based on Reafferences
Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
凝视稳定是人形机器人的基础。通过稳定视觉，它增强了对环境的感知，并将兴趣点保持在视野中。在这方面的贡献，多模态凝视稳定相结合的经典逆运动控制与前庭眼和视动反射。受神经科学的启发，它实现了一个前向模型，可以根据反射原理调节反射。这一原理将自发运动从自反反馈回路中过滤出来。在Armar-III人形机器人上的实验验证了该方法的通用性和有效性。它首先表明，每个稳定机制（逆运动学和反射）执行比其他作为一个函数的扰动类型稳定。此外，通过反射组合这三种模态提供了可以处理任何种类的扰动的通用注视稳定器。
2017-03-01 cs.RO
CHILD (Controller for Humanoid Imitation and Live Demonstration): a Whole-Body Humanoid Teleoperation System
KIMLAB (Kinetic Intelligent Machine LAB), University of Illinois Urbana-Champaign（KIMLAB（运动智能机器实验室），伊利诺伊大学厄巴纳-香槟分校）
提出CHILD全身人形遥操作系统，实现关节级控制，支持全身控制与移动操作，集成力反馈，并通过实验验证，开源硬件设计。
2025-09-24 cs.RO
THRIVE: Therapeutic Humanoid Robot In Virtual Environment
本文提出了家用康复平台THRIVE，集成VR上肢康复游戏、摄像头运动追踪与机器人治疗师，采用模块化设计，为上肢运动障碍儿童提供持续且具吸引力的上肢治疗。
2026-08-17 cs.RO
Gaze Stabilization for Humanoid Robots: a Comprehensive Framework
Istituto Italiano di Tecnologia（意大利理工学院）
凝视稳定是人形机器人的一个重要要求。以前的工作集中在惯性和视觉信息的整合。很少有人注意到第三个组成部分，这是机器人对自己运动的知识。在这项工作中，我们提出了一个全面的框架凝视稳定的人形机器人。我们专注于补偿的问题，在相机中引起的干扰，由于自我产生的运动的机器人。在这项工作中，我们采用了两个独立的信号稳定：（1）从发送到关节的速度命令，而机器人自主移动的预期项;（2）从板上的陀螺仪，补偿不可预测的外部干扰的反馈项。首先，我们提供的数学公式推导出前向和微分运动学的固定点的立体系统。最后，我们在iCub机器人上测试了我们的方法。我们表明，稳定一致地减少了残留的光流在机器人的运动过程中，在存在外部干扰。我们还表明，颈部自由度的适当整合是至关重要的，以实现正确的稳定。
2014-11-13 cs.CV cs.RO
