论文提出首个可计算设计乐高步行机器人的方案：用专门设计的齿轮-连杆机构机械控制每条腿的足部轨迹，其中一对3D打印非圆齿轮与乐高机械组机构配合；每条腿由独立电机驱动，并用简单控制算法同步多腿运动时序，实现稳定且多样的步态。作者以该建模为基础协同设计形态与控制，制作出多种步态与外观的乐高步行机器人，并实物制造部分样机验证真实环境运动能力。
机器人行业洞察
今日精选
The robotics journal行业消息
论文提出 SMR，一种从语义条件物理专家中学习的流式神经运动重定向器，用于将人类运动迁移到人形机器人。方法先把人类运动转换为机器人任务空间中的身体关键点位置、朝向与速度目标，由物理专家在仿真中于接触、动力学和执行器约束下跟踪；再在专家执行的状态轨迹上训练严格因果的 Transformer，每帧仅用当前与过去的人类观测生成运动参考，交给下游全身控制器。实验称语义条件物理专家在语义保真度与物理有效性上优于直接优化式重定向，流式重定向器在相同全身控制器下闭环性能优于运动学与物理修正基线。
arXiv 2610.29030v1 提出 PHD-Hand，一种完全连杆驱动的人形灵巧手，每根手指具备至少 3 个驱动自由度（DOA）。设计采用独特柔性铰链与弹簧钢弹性驱动杆，简化连杆传动，避免大量微型运动部件，可用低成本 3D 打印机制造，尺寸更接近真人手。研究对原型进行了抓取与物体操作评估，并给出运动学与控制方面的最新结果。
该研究提出将偏好奖励响应性（PRR）与覆盖率、效用指标结合，用于评估可操控人形控制中偏好条件强化学习的聚合方式。作者在两个类人控制框架上比较了奖励级、优势级、损失级和基于 PCGrad 的聚合，发现没有一种聚合层级在所有环境和标准上表现最佳：早期聚合目标会带来更广泛的行为响应，但对其他目标的非预期改变更大；较晚聚合则提高控制精度，但以响应性为代价。
研究提出耦合视觉-运动重映射方法，将全景方位扭曲与上肢偏航逆变换配对，用于第一人称人形机器人遥操作，使操作员无需旋转身体即可访问侧面和后侧目标。可运行原型实现全局缩放（GZ）与焦点+上下文（F+C）两种模式。被试内实验（N=8，72次试验）显示，GZ完成次数最高（23/24），固定映射为20/24，F+C为21/24；但F+C获得6/8名参与者偏好，完成表现与主观偏好指向不同映射。
RAS媒体服务委员会面向2026年IEEE-RAS第25届国际人形机器人会议（Humanoids 2026）招募科学传播大使。原文未披露招募人数、申请条件、截止时间及职责细节。
论文提出 OmniInteract 框架，用于双人形机器人的统一全身交互控制，包含两个核心组件：表面接触感知重定向利用密集的人机表面对应关系对两个机器人联合重定向，保留接触界面与近场几何上下文；可扩展的基于流的交互策略将控制分解为冻结的全身运动先验与伙伴感知专家残差，并通过条件流匹配在共享残差动作空间中统一。实验显示该方法提升了重定向保真度与双人形协调性，在技能多样性增长时更好地保持交互性能；真实部署验证了接触建立、全身协调稳定及外部扰动恢复。
研究提出 FIBER 框架，将冻结行为基础模型（BFM）的可执行潜在空间作为异构交互技能共享的规划表征，通过潜在策略投影（LPP）把独立训练的任务策略映射到该空间，再离线训练单一感知流规划器；同时引入用多 gamma 前向-后向学习训练的自适应视界 BFM（AH-BFM）。在仿真中，箱子拾取、开门、抓取三类任务各 128 种变化下平均成功率 42.0%，高于投影潜在回放的 11.6% 和运动学规划的 3.5%。在真实 Unitree G1 人形机器人上验证了 sim-to-real 迁移、技能链式组合与条件引导。
Kamino 是一个基于 GPU 的物理求解器，用 Python 基于 NVIDIA Warp 实现并集成进 Newton 框架，面向异构、强耦合机械系统的大规模并行仿真。它原生支持运动学闭环，无需把系统拓扑近似为运动学树再加闭环约束或 mimic 关节；核心是基于 ADMM 的约束优化算法，将约束刚体多体正向动力学转写为非线性互补问题求解约束力，从而在不简化或凸化接触模型的情况下解析接触动力学。作者在含六个嵌套运动学闭环的双足机器人上训练强化学习策略，单块 GPU 并行仿真 4,096 个环境，得到可行行走策略。
研究提出REACT框架，从人-人动作捕捉演示中学习可部署的人形-人交互策略，将语义接触结构作为连接演示处理、交互学习与机载控制的关键监督信号。流程包括VLM引导的接触建模与重定向、基于交互感知接触奖励的特权策略学习，再蒸馏为仅用机载自我中心深度传感的策略，并引入生成式伙伴状态建模以应对遮挡。在仿真和Unitree G1真机上测试五种接触丰富交互，语义接触建模改善演示交互保留，生成式建模在五种交互中的四种提升接触召回，真机上仅靠机载传感完成全部五种交互。
SuperMimic 提出用一个可微世界模型摊销人形机器人全身运动跟踪的学习成本，该世界模型由标准刚体仿真器的转移数据拟合，并与跟踪策略在同一循环中联合训练，通过短时想象 rollout 的时间反向传播提供解析梯度。在单块 GPU 上训练 3 小时，其回报超过在 128 块 GPU 上训练 7 天的当前最优基线，GPU 小时数减少超过 1000 倍；在 129,514 个基准运动上失败 25 个，基线失败 179 个。两块 GPU 训练 9.8 小时后实现零失败，策略可迁移到实体 Unitree G1 完成多样高难度动作。
研究团队提出 FRDV 框架，将人体运动捕捉数据重定向到不同人形机器人：运动学阶段结合自定义序列二次规划求解器、实时迭代与分块并行处理，最高达每秒 9,156 帧，比 GMR 和 ProtoMotions 快约 136 倍，并在优化中加入机器人特定约束以减少地面穿透与自碰撞。对需进一步验证的动作，用接触隐式 iLQR 控制器在完整刚体动力学下检验，识别动力学不可行动作并修正脚部悬空、打滑。团队用多条现有流水线训练运动跟踪强化学习策略，比较跟踪保真度与成功率，并在宇树 G1 人形机器人上完成 sim-to-real 迁移。
该预印本提出以自适应通行管（ATT）为核心的姿态感知导航框架，将沿参考路径的通道宽度场与社交舒适度统一为连续信号，并通过区间速度—航向（IVH）控制把宽度映射为正面到侧步的连续姿态调度与全向速度指令。配套的以速度为条件的 AMP 策略使用经 GVHMR 重定向的正面/侧步运动数据训练，并加入 (v_x, v_y) 跟踪奖励，目标是在保持与默认机载策略可互换的同时提升姿态过渡稳定性。论文称完整方法已给出，计划在 Unitree G1 上开展评估，量化结果尚未发布，MuJoCo 仿真与真机演示视频已公开在 GitHub。
研究提出一种面向自闭症谱系障碍（ASD）教育场景的半自主机器人方法：配备摄像头的机器人通过基于视觉的大语言模型，将鞋盒任务（Shoebox Tasks）的照片转换为PDDL规划域描述，并生成动作计划。团队在Nao人形机器人上实现机器人接口，可自主执行多种鞋盒任务，并通过动作演示、语音指令或手势提示下一步或报告检测到的失败。求解器仅以拍摄图像为输入，教师无需编程；经适配的接口可集成到多种教育机器人中。
EmbodyHOI 在冻结的流匹配手-物交互轨迹生成器采样循环内嵌入针对特定人形本体的可微逆运动学求解器，将梯度回传以联合优化人形相对物体的位置，引导仅在推理阶段生效，因此一个在人体手部姿态上训练的生成器无需重训练即可迁移到不同人形本体。在 ARCTIC 轨迹上，针对宇树 G1 与 H1-2 两款人形机器人，该方法将重定向后的腕部误差从 8.9 cm 降至 0.6 cm，50 个随机 G1 任务成功率从 68% 升至 79%，四项任务 H1-2 套件从 62% 升至 76%。作者称事后腕部精修与等算力 best-of-N 选择虽 IK 能量更低，但训练出的策略更差。