跳到正文
10月21日周三
  1. arXiv · cs.RO76

    Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning

    研究人员提出 FRDV 框架,用于人形机器人学习的快速运动重定向,其运动学阶段处理速度可达每秒 9,156 帧,比现有方法快约 136 倍。该框架包含快速约束运动学重定向和动力学验证管道,可在 Unitree G1 人形机器人上实现模拟到现实的迁移。

    推荐理由:将人类运动数据快速迁移到人形机器人仍面临挑战,FRDV 框架通过动力学验证将处理速度提升 136 倍。

  2. arXiv · cs.RO85

    SuperMimic: 通过单一可微分世界模型扩展人形机器人全身控制

    SuperMimic提出了一种新方法,使用单一可微分世界模型拟合共享动力学,与跟踪策略共同训练,在3小时内超越传统方法7天训练效果,将GPU训练时间减少1000倍以上。该方法在129,514个基准动作中仅失败25个,9.8小时后实现零失败,并能成功迁移到宇树G1物理机器人上。

    推荐理由:用单一可微分世界模型替代传统强化学习,将训练成本降低千倍,为机器人控制研究开辟新路径。

  3. arXiv · cs.RO75

    VLM引导的接触重定向与生成式伙伴建模用于人形-人交互

    研究人员提出REACT框架,用于从人-人演示中学习可部署的人形-人交互策略。该框架利用VLM引导的接触建模和重定向管道识别语义上有意义的接触,并将其转移到人形-人几何结构上,同时通过生成式伙伴状态建模预测遮挡视图中的伙伴运动。在模拟和宇树G1人形机器人上的测试表明,该方法在五个接触丰富的交互中表现良好,且完全依靠机载传感器工作。

    推荐理由:通过VLM引导的接触重定向和生成式伙伴建模,解决了人形机器人在与人交互时的部分可观察性问题,实现了完全依靠机载传感器的接触丰富交互。

  4. arXiv · cs.RO65

    自适应穿越管道:面向双足人形机器人的姿态感知导航

    本文提出了一种基于自适应穿越管道(ATT)的姿态感知导航框架,结合区间速度-航向(IVH)控制和增强侧步的AMP运动先验,使双足人形机器人能够通过调整身体偏航改变有效足迹,实现窄通道穿越和社交感知避让。该方法已在MuJoCo仿真和实际机器人部署中进行了演示,并计划在宇树G1上进行定量评估。

    推荐理由:通过自适应穿越管道和速度-航向控制,人形机器人能在狭窄通道和社交场景中灵活调整姿态,提升导航稳定性。

10月20日周二