论文

LAC：人形机器人全身线性与角度柔顺控制

LAC 提出通用人形全身柔顺控制器：在人体交互数据接触帧上施加采样的力/力偶扰动合成大规模柔顺响应数据，经教师-学生强化学习训练单一策略，实现对上半身外力的线性与角度柔顺、刚度全程单调调制，并在仿真、真机与遥操作移动操作中验证。

人形机器人全身控制柔顺控制Yang Liu, Zhongkai Gu, Wei Zhu·2026年8月26日

DECOWAM：面向腿式移动操作的解耦全身世界-动作模型

DECOWAM 在冻结的 FastWAM 视频-动作主干上，通过未来等价瓶颈、底盘/手臂因子化与自我运动条件三个解耦接口建模腿式移动操作，Stage-2 可训练参数减少 232 倍，真机任务成功率 58.2%。

世界模型VLA移动操作Siyuan Ma, Boshi Zhang, Yutian Zhang·2026年8月20日

VLK：在重建场景中合成人类交互，学习人形机器人移动操作

本文提出视觉-语言-运动学（VLK）框架：在 3D 高斯泼溅重建的真实室内场景中合成导航与物体交互轨迹，并事后渲染第一人称观测，自动生成 4.8 万条视觉-语言-运动学配对数据，训练出预测 Unitree G1 全身运动轨迹的策略，经接触感知全身跟踪器执行，实现 sim-to-real 的感知驱动人形移动操作。

humanoid人形机器人loco-manipulationYen-Jen Wang, Jiaman Li, Sirui Chen·2026年6月29日

ω-0：人形机器人协同移动操作的潜空间预测世界动作模型

提出ω-0，面向真实人形机器人协同移动操作的全身世界动作模型：给定语言指令、视觉观测与本体状态，直接预测控制器可执行的全身动作潜变量；以轻量未来观测嵌入预测替代视频重建，耦合潜空间视觉预见与扩散式全身动作生成；并采集40+小时真机数据集ω-HOME，在11项家庭任务上稳定超越IL/VLA/人形/WAM基线。

人形机器人世界模型移动操作Zhe Li, Zhenzhe Zhang, Yangyang Wei·2026年8月6日

足式机器人力位统一控制策略

本文提出首个足式机器人力位统一控制策略，无需力传感器，通过RL从历史状态估计外力并补偿位置速度，支持位置/力跟踪与柔顺交互，并在四足与双足机器人上验证。

足式机器人移动操作力位控制Peiyuan Zhi, Peiyang Li, Jianqin Yin·2025年5月27日

分组误差而非总MSE：面向11自由度移动操作VLA模型的微调

为具有异构关节空间的移动操作机器人微调视觉-语言-动作（VLA）模型会产生一个反直觉的结果：总 MSE 最低的检查点并非在真实机器人上表现最好的。我们认为这是将异构关节组（臂、夹爪、头、轮式基座）折叠为单一指标的可预见后果，其中容易预测的关节可能掩盖仍然失败的关节。我们在 11 自由度丰田 HSR 上微调 SmolVLA（450M，仅动作专家），并与更强的预训练基线 π₀.₅（3.3B）进行比较。分组分析揭示了两种模式：在 SmolVLA 中，移动基座收敛最慢并限制了整体性能。在 π₀.₅ 的仅专家微调中（仅训练动作头，骨干网络冻结），总 MSE 降至基线以下但臂精度下降。在 60 次真实机器人试验中（每个模型 20 次），π₀.₅ 80k（4.0/4）显著优于两个微调变体，尽管仅专家 3k 具有最低的总 MSE。我们得出结论，对于具有异构动作空间的机器人，分组误差比总 MSE 是更可靠的检查点选择信号。

VLA模型移动操作微调Pau Montagut Bofi, Mario García Blasco, Tessa Pulli·2026年5月29日

X2-N：具有双模行走与操作的可变形轮腿人形机器人

轮腿机器人结合了轮式行走的效率和腿式系统的多功能性。本文提出了 X2-N，一种可变形的轮腿人形机器人，具有双模行走与操作能力。该机器人可在轮式模式和腿式模式之间切换，以适应不同地形和任务需求。在轮式模式下，机器人可高效地在平坦地面上移动；在腿式模式下，机器人可穿越复杂地形并执行操作任务。机器人配备了操作臂，使其在两种模式下都能执行移动操作任务。本文详细介绍了机器人的机械设计、控制系统和模式切换机制，并通过实验验证了双模系统的有效性和多功能性。

轮腿人形可变形机器人双模行走Yan Ning, Xingzhou Chen, Delong Li·2026年4月23日

通过接触感知动态优化实现全向轮腿移动机器人的全身运动控制

配备操作臂的轮腿机器人在物流等场景的移动操作方面具有巨大潜力。然而，实现轮腿移动操作机器人的协调全身运动控制面临重大挑战，尤其是在同时处理行走和操作的多接触场景下。本文提出了一种全身运动控制方法，通过接触感知动态优化来实现全向轮腿移动操作机器人的协调控制。该方法显式建模和优化接触约束，使机器人能够在不同接触条件下（如轮式、腿式或混合模式）自适应切换并保持全身协调。实验验证了该方法在多种场景下的有效性，展示了轮腿机器人在复杂操作任务中的优越性能。

轮腿机器人全身控制接触感知Zong Chen, Shaoyang Li, Ben Liu·2025年9月17日

优化腿式机器人的抓取：移动操作的深度学习方法

本文提出了一种深度学习框架，旨在增强四足机器人配备操作臂后的抓取能力，以实现移动操作。该方法利用深度学习模型从感知数据中预测最优抓取策略，使机器人能够在行走过程中识别和抓取目标物体。框架结合了视觉感知、抓取规划和运动控制，形成端到端的移动操作系统。通过仿真和真实世界实验，验证了该方法在多种物体形状和场景下的抓取成功率和鲁棒性。结果表明，深度学习方法能够有效提升腿式机器人在移动操作场景中的抓取性能。

腿式机器人深度学习抓取Dilermando Almeida, Guilherme Lazzarini, Juliano Negri·2025年8月24日

考虑非可忽略操作臂动力学的四足机器人移动操作非线性MPC框架

模型预测控制（MPC）结合降阶模板模型已成为四足机器人行走控制的强大工具。然而，当四足机器人配备操作臂时，操作臂的动力学可能对整体系统行为产生非可忽略的影响。本文提出了一种非线性 MPC 框架，专门针对具有非可忽略操作臂动力学的四足机器人移动操作场景。该框架显式地将操作臂的动力学耦合纳入模型预测控制公式中，使控制器能够协调行走和操作行为，同时保持整体系统稳定性。通过仿真和实验验证，该方法相比于忽略操作臂动力学的传统方法，在操作精度和系统稳定性方面均有显著提升。

模型预测控制移动操作四足机器人Ruturaj Sambhus, Kapi Ketan Mehta, Ali MirMohammad Sadeghi·2025年7月29日

MLM：学习带臂四足机器人的多任务移动操作全身控制

带臂四足机器人的全身移动操作仍是一个具有挑战性的问题，特别是在实现多任务控制方面。为此，我们提出 MLM，一个由真实世界和仿真数据共同驱动的强化学习框架。它使配备六自由度机械臂的四足机器人能够自主或在人类遥操作下执行全身移动操作的多项任务。为解决移动操作学习过程中多任务平衡的问题，我们引入了具有自适应、基于课程采样机制的轨迹库。该方法使策略能够有效利用真实世界采集的轨迹来学习多任务移动操作。为应对仅有历史观测的部署场景，并提升策略在不同空间范围任务中的执行性能，我们提出了轨迹-速度预测策略网络，可预测不可观测的未来轨迹和速度。通过利用大量仿真数据和基于课程的奖励，我们的控制器在仿真中实现了全身行为并零样本迁移到真实世界部署。仿真中的消融实验验证了方法的必要性和有效性，而在配备 Airbot 机械臂的 Go2 机器人上的真实实验展示了策略在多任务执行中的良好性能。

强化学习移动操作四足机器人Xin Liu, Bida Ma, Chenkun Qi·2025年8月14日

具有任务级交互的四足机器人自主抓取

四足机器人因其高机动性和穿越复杂地形的能力而在各种应用中越来越多地被使用。然而，在四足机器人上实现自主抓取仍面临挑战，特别是在需要任务级交互的场景中。本文研究了四足机器人在任务级交互下的自主抓取问题，提出了一种结合感知、规划和控制的框架，使四足机器人能够在非结构化环境中自主识别、接近并抓取目标物体。该方法考虑了行走与操作之间的协调，使机器人能够在保持平衡的同时执行精确的抓取操作。实验验证了该方法在多种物体和场景下的有效性和鲁棒性。

四足机器人自主抓取任务交互 Muhtadin, Mochammad Hilmi Rusydiansyah, Mauridhi Hery Purnomo·2025年11月30日