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
Characteristics, Management, and Utilization of Muscles in Musculoskeletal Humanoids: Empirical Study on Kengoro and Musashi
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo（机械信息学系，信息科学与技术研究生院，东京大学）
本研究通过分析Kengoro和Musashi的肌骨骼结构，探讨了肌肉的特性、管理和利用方法，提出了五种属性分类，并讨论了未来挑战。
2026-02-09 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
Reflex-based Motion Strategy of Musculoskeletal Humanoids under Environmental Contact Using Muscle Relaxation Control
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对肌肉骨骼仿人机器人建模难和内部肌肉张力高的问题，提出肌肉松弛控制，主动利用环境减少张力，并验证于手臂休息和手柄操作。
2025-02-22 cs.RO
Online Learning of Danger Avoidance for Complex Structures of Musculoskeletal Humanoids and Its Applications
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对肌肉骨骼人形机器人建模难、易发生干扰和高肌肉力的问题，提出在线学习肌肉长度对应危险概率的网络，用于预防危险，并在Musashi上验证有效。
2025-02-22 cs.RO
Design Optimization of Musculoskeletal Humanoids with Maximization of Redundancy to Compensate for Muscle Rupture
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对肌肉骨骼人形机器人单肌断裂后的运动维持问题，提出以断裂时最小可用力矩最大化为目标优化肌肉布置，并在 Musashi 肘部仿真与实机中验证有效性。
2025-02-18 cs.RO
Exceeding the Maximum Speed Limit of the Joint Angle for the Redundant Tendon-driven Structures of Musculoskeletal Humanoids
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对肌肉骨骼仿人机器人因冗余肌肉中最慢肌肉而限制最大关节角速度的问题，本文提出两种突破速度限制的方法，并通过实际机器人实验验证有效性。
2025-02-18 cs.RO
Robust Continuous Motion Strategy Against Muscle Rupture using Online Learning of Redundant Intersensory Networks for Musculoskeletal Humanoids
The University of Tokyo（东京大学）；TOYOTA Motor Corporation（丰田汽车公司）
本研究针对肌骨骼人形机器人，构建表征传感器间关系的神经网络以实现精确运动，并利用肌肉冗余性进行断裂检测、在线更新与状态估计，使机器人在单条肌肉断裂时仍能鲁棒地持续执行任务。
2024-09-23 cs.RO
Stability Recognition with Active Vibration for Bracing Behaviors and Motion Extensions Using Environment in Musculoskeletal Humanoids
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对柔性肌肉骨骼人形机器人难精准控制的问题，提出利用环境实现支撑运动与运动范围扩展的方法，通过主动振动身体局部结合传感器变化识别稳定性，经Musashi机器人实验验证了有效性。
2025-02-22 cs.RO
Antagonist Inhibition Control in Redundant Tendon-driven Structures Based on Human Reciprocal Innervation for Wide Range Limb Motion of Musculoskeletal Humanoids
The University of Tokyo（东京大学）
针对腱驱动肌肉骨骼人形机器人几何模型误差导致肌肉张力异常的问题，本文基于人类交互神经支配提出拮抗抑制控制（AIC），并在Kengoro上肢上验证，实现14分钟悬垂和引体向上。
2024-09-01 cs.RO
Modification of muscle antagonistic relations and hand trajectory on the dynamic motion of Musculoskeletal Humanoid
The University of Tokyo（东京大学）
针对肌肉骨骼人形机器人存在的身体结构转换不可测、运动测量困难等挑战，提出张力传感获取肌肉拮抗关系、视觉传感获取手部轨迹的两种方法，并利用这些方法实现了Kengoro的羽毛球击球运动。
2024-12-01 cs.RO
PIMBS: Efficient Body Schema Learning for Musculoskeletal Humanoids with Physics-Informed Neural Networks
Department of Mechano-Informatics, Graduate School of Information Science and Technology, The University of Tokyo（机械信息学系，信息科学与技术研究生院，东京大学）
本文提出PIMBS方法，将物理信息神经网络引入肌肉骨骼人形机器人的身体图式学习，结合真实数据与力矩-肌肉张力物理定律，在少量数据下实现关节角度、肌肉张力和肌肉长度关系的高精度学习。
2025-07-05 cs.RO
Online Self-body Image Acquisition Considering Changes in Muscle Routes Caused by Softness of Body Tissue for Tendon-driven Musculoskeletal Humanoids
The University of Tokyo（东京大学）
针对肌腱驱动肌骨人形机器人因几何模型偏差及软组织造成肌肉路径变化而难以控制的问题，提出用神经网络构建并在线更新理想关节—肌肉模型与肌肉路径变化模型，使 Kengoro 获得正确自体图像。
2024-04-08 cs.RO
Development of Musculoskeletal Legs with Planar Interskeletal Structures to Realize Human Comparable Moving Function
The University of Tokyo（东京大学）
针对肌肉骨骼人形机器人因姿态变化导致肌肉力臂不足的问题，本文提出平面骨骼间结构并开发MusashiOLegs腿部，通过实验验证其对实现稳定类人运动的重要性。
2024-04-01 cs.RO
Design of a Biomimetic Joint-Covering Skin with Tissue-Like Structure to Enhance Proprioception in a Musculoskeletal Humanoid
The University of Tokyo（东京大学）
本研究设计了一种类组织分层结构的仿生关节覆盖皮肤，应用于Musashi-W人形机器人，可独立实现关节角估计（平均误差约3度），与肌肉传感集成后精度提升，为扩展本体感觉系统提供了有效方案。
2026-08-28 cs.RO
Task-specific Self-body Controller Acquisition by Musculoskeletal Humanoids: Application to Pedal Control in Autonomous Driving
The University of Tokyo（东京大学）
针对肌肉骨骼人形机器人复杂柔性体建模难、现有方法无法完全匹配实际机器人与自体影像的问题，构建表征控制输入与任务状态时序关系的神经网络用于实时控制，通过自动驾驶加速踏板控制实验验证了方法有效性。
2024-12-11 cs.RO
Online Learning of Joint-Muscle Mapping Using Vision in Tendon-driven Musculoskeletal Humanoids
The University of Tokyo（东京大学）
提出利用视觉与肌肉拮抗两种在线更新器学习神经网络 JMM，使 Kengoro 在 5 分钟内将关节角误差降至约 40%，并适应状态变化。
2024-04-08 cs.RO
Local Online Motor Babbling: Learning Motor Abundance of A Musculoskeletal Robot Arm
TU Darmstadt（达姆施塔特工业大学）；Osaka University（大阪大学）
运动牙牙学语和目标牙学语已被用于软机器人高度冗余系统的感觉运动学习。最近在球门牙牙学语方面的工作已经证明了在此类系统上成功学习逆运动学（IK），并表明球门空间中的牙学语通过学习尽可能少的感觉运动映射来更好地解决运动冗余。然而，对于肌肉骨骼机器人系统，运动冗余可以是解释肌肉激活模式的有用信息，因此术语运动丰度。在这项工作中，我们引入了一些简单的算法来经验性地定义未知的目标空间，并学习逆运动学的10自由度的肌肉骨骼机器人手臂使用定向目标babbling。然后，我们进一步提出了本地在线电机咿呀学语使用协方差矩阵自适应演化策略（CMA-ES），引导在目标咿呀学语中收集的样本进行初始化，以便电机丰度可以查询定义的目标空间内的任何静态目标。结果表明，我们的运动咿呀学语方法可以有效地探索运动丰富度，并提供了有用的见解方面的肌肉刚度和协同作用。
2019-06-21 cs.RO
Learning of Balance Controller Considering Changes in Body State for Musculoskeletal Humanoids
The University of Tokyo（东京大学）
针对肌肉骨骼人形机器人身体状态时变导致PID平衡控制不稳定的问题，提出用参数偏置在线学习踝部状态与零力矩点关联模型，并通过仿真和Musashi验证有效性。
2024-05-20 cs.RO
High-Power, Flexible, Robust Hand: Development of Musculoskeletal Hand Using Machined Springs and Realization of Self-Weight Supporting Motion with Humanoid
The University of Tokyo（东京大学）
针对仿人机器人手部力量不足的问题，开发了一种基于机加工弹簧的腱驱动欠驱动肌骨骼手，兼具高抓握力、柔性与抗冲击性，并在机器人Kengoro上实现了俯卧撑和悬垂等自重支撑运动。
2024-03-26 cs.RO
A Method of Joint Angle Estimation Using Only Relative Changes in Muscle Lengths for Tendon-driven Humanoids with Complex Musculoskeletal Structures
The University of Tokyo（东京大学）
针对线驱动肌骨拟人机器人因结构复杂无法直接测量关节角度的问题，提出一种仅利用肌肉长度相对变化进行关节角度估计的方法，避免了困难的肌肉长度校准，并通过仿真与实际实验验证了其有效性。
2024-04-22 cs.RO
Automatic Grouping of Redundant Sensors and Actuators Using Functional and Spatial Connections: Application to Muscle Grouping for Musculoskeletal Humanoids
The University of Tokyo（东京大学）
本文提出一种基于图结构嵌入功能与空间连接的自动分组方法，用于将肌肉骨骼人形机器人的冗余肌肉自动划分为前臂、上臂等区域，无需几何模型即可实现分组。
2024-09-01 cs.RO
Long-time Self-body Image Acquisition and its Application to the Control of Musculoskeletal Structures
The University of Tokyo（东京大学）
针对肌肉骨骼仿生人结构复杂、传统模型控制难以实现预期动作的问题，提出长时间学习获取关节角度、肌肉张力与长度关系的自身体图像系统，并通过3小时实验验证其可支持位置、力矩和变刚度控制。
2024-04-08 cs.RO
TWIMP: Two-Wheel Inverted Musculoskeletal Pendulum as a Learning Control Platform in the Real World with Environmental Physical Contact
The University of Tokyo（东京大学）
本研究提出了一种结合仿人肌骨上肢与双轮倒立摆的新型仿人机器人TWIMP，旨在利用其柔软接触与高机动性优势，作为现实世界中包含物理接触和冲击环境下的学习控制平台，并通过初步实验验证了其潜力。
2024-04-22 cs.RO
Self-Body Image Acquisition and Posture Generation with Redundancy using Musculoskeletal Humanoid Shoulder Complex for Object Manipulation
The University of Tokyo（东京大学）
提出一种利用肩复合体冗余的逆运动学方法学习肌骨人形机器人自身体像，以实现姿态生成和物体操作，并在Kengoro机器人上验证了汽车方向盘操作的有效性。
2024-11-10 cs.RO
Exciting Action: Investigating Efficient Exploration for Learning Musculoskeletal Humanoid Locomotion
Technical University Darmstadt（达姆施塔特工业大学）；German Research Center for AI (DFKI)（德国人工智能研究中心）
本文针对肌肉骨骼人形机器人运动控制难题，提出对抗性模仿学习方法，在16自由度、92个肌肉-肌腱单元的模型上仅用少量演示即可生成自然行走和跑步步态。
2024-07-16 cs.LG cs.RO
Online Learning Feedback Control Considering Hysteresis for Musculoskeletal Structures
The University of Tokyo（东京大学）
针对肌肉骨骼仿生人关节角度跟踪滞后及闭链结构导致的反馈控制难题，提出在线学习神经网络更新目标肌肉长度的方法，并在 Musashi 上验证其有效性。
2024-05-20 cs.RO
Hardware Design and Learning-Based Software Architecture of Musculoskeletal Wheeled Robot Musashi-W for Real-World Applications
The University of Tokyo（东京大学）
本文提出肌肉骨骼轮式机器人Musashi-W，结合轮式底座与柔性上肢，通过身体图式学习、反射控制和视觉识别软件系统，实现清洁、搬重物及变刚度布料操作等实际任务。
2024-03-18 cs.RO
Human-mimetic binaural ear design and sound source direction estimation for task realization of musculoskeletal humanoids
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
本文提出由仿人双耳单元、声源方向估计和环境声音检测组成的类人听觉系统，并在肌肉骨骼人形机器人 Musashi 上验证其噪声环境中的视野外听觉任务能力。
2024-09-10 cs.RO cs.SD eess.AS
Towards Embodied AI with MuscleMimic: Unlocking full-body musculoskeletal motor learning at scale
EPFL（瑞士联邦理工学院洛桑分校）；McGill University（麦吉尔大学）；Feil & Oberfeld CRIR-Jewish Rehabilitation Hospital Research Center（Feil & Oberfeld CRIR-犹太康复医院研究中心）；NVIDIA（英伟达）
MuscleMimic通过生理真实的人形机器人模型，实现了大规模全身体质运动学习，结合并行GPU模拟，提升了训练效率，验证了运动再现的准确性。
2026-03-26 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
MyoSuite -- A contact-rich simulation suite for musculoskeletal motor control
Meta AI Research（Meta人工智能研究院）；University of Twente（特文特大学）
在连续控制域中的智能体对允许探索肌肉骨骼特性的任务的接触有限，这些特性使生物体具有敏捷和灵活的行为。神经肌肉骨骼控制背后的复杂性可能会给运动学习社区带来新的挑战。与此同时，解决复杂神经控制问题的智能体可以在神经康复和协作机器人等领域产生影响。人体生物力学是复杂的多关节多驱动器肌肉骨骼系统的基础。感觉运动系统依赖于一系列丰富的感觉接触和本体感受输入，这些输入定义和调节在物理世界中表现出智能行为所需的肌肉致动。目前的肌肉骨骼控制框架不支持肌肉骨骼系统的生理复杂性以及物理世界的相互作用能力。此外，它们既不是嵌入在复杂和熟练的运动任务中，也不是计算有效的和可扩展的，以研究大规模的学习范式。在这里，我们介绍了MyoSuite -一套生理上精确的生物力学模型，包括肘部、手腕和手，具有物理接触能力，可以学习复杂而熟练的接触丰富的现实世界任务。我们提供各种电机控制挑战：从简单的姿势控制到熟练的手-物交互，例如转动钥匙，旋转笔，一只手旋转两个球等。（肌腱转移），辅助装置（外骨骼辅助）和肌肉收缩动力学（肌肉疲劳，肌肉减少症），我们提出了现实生活中的任务与时间的变化，从而暴露现实的非稳态条件下，在我们的任务，大多数连续控制基准缺乏。
2022-05-26 cs.AI cs.LG 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
Embodied Learning of Reward for Musculoskeletal Control with Vision Language Models
Tsinghua University（清华大学）；California Institute of Technology（加州理工学院）
本文提出MoVLR框架，利用视觉语言模型实现高维肌肉骨骼系统的具身学习，通过迭代交互发现和改进奖励函数。
2026-10-30 cs.RO
MSK-Bench: Benchmarking Full-Body Musculoskeletal Motor Control Across Tasks, Control Paradigms, and Physiological Metrics
Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院）；The University of Hong Kong (HKU)（香港大学）；Institute for Interdisciplinary Information Sciences (IIIS), Tsinghua University（清华大学交叉信息研究院）；School of Aerospace Engineering, Tsinghua University（清华大学航天航空学院）；Peking University (PKU)（北京大学）
MSK-Bench提出包含22个全身肌肉骨骼运动任务的基准，评估5种控制范式，并联合考量任务成功、鲁棒性与生理指标，为肌肉驱动人形机器人控制提供标准化测试平台。
2026-09-24 cs.RO
Contact-Rich and Deformable Foot Modeling for Locomotion Control of the Human Musculoskeletal System
Tsinghua University（清华大学）
本文提出接触丰富且可变形的人体足部模型并集成于肌肉骨骼系统，采用两阶段策略训练学习自然行走，在运动学、动力学和步态稳定性上优于刚性模型，并可推广至人形机器人足-地交互控制。
2025-08-16 cs.RO
Object Recognition, Dynamic Contact Simulation, Detection, and Control of the Flexible Musculoskeletal Hand Using a Recurrent Neural Network with Parametric Bias
The University of Tokyo（东京大学）；TOYOTA MOTOR CORPORATION（丰田汽车公司）
针对柔性肌肉骨骼手难建模、状态易变及多任务需独立网络的问题，提出用带参数偏置的循环神经网络获取其传感器状态方程的方法，可实现多任务集成并应对状态变化，在Musashi手上验证了有效性。
2024-07-10 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
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
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
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
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
Communication in modular robotic motor control: Bilateral controllers under realistic constraints
Monash University（莫纳什大学）；Tel Aviv University（特拉维夫大学）；Cerenaut（瑟雷诺特公司）
该研究提出受大脑双侧结构启发的模块化GRU双边控制器，在双臂肌肉骨骼仿真任务中，其性能优于整体架构及无通信的模块化控制器，证明模块间通信可优化机器人运动的精度、成本与稳定性。
2026-08-17 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
Physics-Informed Neural Networks with Unscented Kalman Filter for Sensorless Joint Torque Estimation in Humanoid Robots
Artificial and Mechanical Intelligence, Istituto Italiano di Tecnologia（人工智能与机械智能，意大利技术研究所）
本文提出一种集成物理信息神经网络和无迹卡尔曼滤波的实时力矩控制框架，解决无关节力矩传感器的人形机器人全身力矩控制问题，实验证明其比RNEA方法具有更高的跟踪精度、能效和抗干扰能力，且具备良好可扩展性。
2025-07-14 cs.RO
Modeling and Control of Morphing Covers for the Adaptive Morphology of Humanoid Robots
Fondazione Istituto Italiano di Tecnologia（意大利技术研究院基金会）；University of Manchester（曼彻斯特大学）
本文采取了一个步骤，提供人形机器人与自适应形态能力。我们提出了一个系统的方法，使机器人覆盖变形的形状，与整体尺寸拟合的人体尺寸的人形机器人。更确切地说，我们提出了一个覆盖的概念，包括两个主要组成部分：一个骨架，这是一个重复的基本元素称为节点，和一个软膜，它包围的封面和变形与它的运动。本文以封面骨架为研究对象，重点讨论了变形系统的节点设计、系统建模、电机定位和控制设计等具有挑战性的问题。覆盖建模的重点是运动学，并提出了一个系统的方法来定义系统的运动约束。然后，我们应用遗传算法，以找到电机的位置，使变形盖是完全驱动。最后，我们提出的控制算法，允许封面变形成一个随时间变化的形状。整个方法是通过执行运动学模拟与四个不同的覆盖的正方形尺寸和具有3x3，4x8，8x8，和20x20节点，分别验证。对于每个封面，我们应用遗传算法来选择电机的位置，并进行模拟跟踪所需的形状。仿真结果表明，该方法能保证目标跟踪目标形状，具有良好的跟踪性能。
2022-07-05 cs.RO
Human sensory-musculoskeletal modeling and control of whole-body movements
Tsinghua University（清华大学）
本文提出整合多模态感觉输入的人体感觉-肌肉骨骼模型SMS-Human，并采用分阶段分层深度强化学习框架，成功仿真双足行走、视觉引导操作和骑行交互等任务，揭示了难以直接测量的肌肉骨骼动力学。
2025-05-29 cs.AI cs.RO q-bio.NC
Extreme-RGMT: Continual Learning of Highly Dynamic Skills for Robust Generalist Humanoid Control
School of Automation, Beijing Institute of Technology（北京理工大学自动化学院）；Humanoid Robotics (Shanghai) Co., Ltd.（人形机器人（上海）有限公司）；School of Mechanical Engineering, Shandong University（山东大学机械工程学院）
研究针对类人机器人控制器通用与专业能力权衡问题，提出两阶段持续学习框架极端-RGMT。先学通用运动跟踪基础策略，再用特定机制约束策略漂移，结合两种采样方法解决数据问题，实现最优通用全身运动跟踪性能，推动控制器向人类专家水平发展。
2026-07-23 cs.RO
Imitation of Arm Gestures by the Semi-Humanoid Robot NICO
Faculty of Mathematics, Physics and Informatics Comenius University Bratislava（布拉迪斯拉发夸美纽斯大学数学、物理与信息学院）
研究半人形机器人NICO模仿人类手臂手势的方法，基于解析几何和预训练模型，利用MediaPipe获取人体地标3D坐标计算关节角度并映射执行，实验表明该方法能从单目RGB输入产生模仿动作，也揭示了复杂姿势和手腕动作的局限。
2026-08-20 cs.RO
KINESIS: Motion Imitation for Human Musculoskeletal Locomotion
EPFL（苏黎世联邦理工学院）
KINESIS通过无模型运动模仿框架解决人类运动控制中的关键问题，利用1.8小时运动数据实现对未知轨迹的强模仿性能，并在多个下游任务中展示出对肌肉活动模式的生成能力。
2026-03-25 cs.AI cs.CV cs.LG
Inertial Parameter Identification Including Friction and Motor Dynamics
Istituto Italiano di Tecnologia（意大利技术研究院）；University of Verona（维罗纳大学）
惯性参数辨识是类人机器人实现力矩控制的基础。同时，良好的摩擦和致动器动力学模型对于关节扭矩的低水平控制至关重要。我们提出了一种新的方法来识别惯性，摩擦和电机参数在一个单一的过程。该识别利用了直流电机的PWM测量值和安装在运动链内部的6轴力/扭矩传感器。偏最小二乘（PLS）方法被用来执行回归。我们确定了iCub人形机器人右臂的惯性、摩擦和电机参数。我们验证了所识别的模型可以准确地预测力/扭矩传感器测量值和电机电压。此外，我们比较了所识别的参数对CAD参数，在预测的力/扭矩传感器测量。最后，我们证明了估计模型可以有效地检测外部接触，并将其与基于网络的接触检测进行比较。所提出的方法相对于其他最先进的方法提供了一些优势，因为它的完整性（即，它识别惯性，摩擦和电机参数）和简单性（只有一个数据汇集，没有特殊要求）。
2014-10-16 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
Humanoid Locomotion with a Fly-Inspired Recurrent Controller
The Hong Kong University of Science and Technology（香港科技大学）；Zenbot；Nanyang Technological University（南洋理工大学）；The Hong Kong Polytechnic University（香港理工大学）
本研究提出一种受果蝇启发的循环控制器，通过3,609个神经状态与Unitree G1机器人耦合，在多种地形和速度下完成61/63项测试，揭示直接身体输入和携带运动状态对运动支持的关键作用。
2026-09-24 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
