Booster Lab：可部署人形运动学习的数据中心化管线将异构运动源（人体演示+仿真采集）转化为可部署的 Booster T1 运动策略，四阶段管线将运动数据视为学习回路可控部分：数据策展→real-to-sim适配→AMP强化学习→跨仿真器验证+部署。Penghui Chen, Tinglong Zheng, Yufeng Zhang·2026年6月26日AMPBooster T1Data-Centric2026年6月26日
X-Morph：人体运动先验跨形态可扩展机器人学习将人体运动转换为四足、六足等非人形腿式机器人的可执行行为，通过重定向、RL跟踪和蒸馏实现跨形态运动先验迁移——不追求关节级模仿，而是保留意图、时序、协调和接触结构。Ritwik Sharma, Shivam Sood, Arhaan Jain·2026年6月29日Retargeting足式机器人步态优化2026年6月29日
多速率非线性MPC实现四足机器人靠墙双足运动MR-NMPC 在单一优化循环中统一高层足部规划和底层环境反应力计算——用指示函数和单刚体模型同时优化连续质心运动和离散触点轨迹，底层 WBC 以1kHz全阶动力学跟踪，在 Unitree A1 上实现靠墙双足行走。Taizoon Chunawala, Jeeseop Kim, Kaveh Akbari Hamed·2026年7月2日模型预测控制NMPCWall-Supported2026年7月2日
执行器现实塑形实现零样本 sim-to-real 机器人学习每关节2-DoF控制器（前馈+反馈）+可选扰动观测器让物理执行器复现仿真器二阶参考动力学，将 sim-to-real 适配从策略层移到透明驱动层，实现零样本迁移无需硬件特定数据。Satoshi Yamamori, Koji Ishihara, Kenjiro Minamikawa·2026年7月2日仿真到现实零样本执行器2026年7月2日
EgoHTR：第一人称4D人体地形穿越数据集首个野外粗糙地形4D人-场景运动数据集，使用 Project Aria 眼镜+Rokoko 动捕服+Leica BLK2GO 3D扫描仪多传感器设置，重建精确 SMPL 身体序列和高分辨率3D场景，MPJPE 73.2mm 达竞争力精度。Alex Brandes, Haig Conti Georges Sajelian, Manthan Patel·2026年7月15日4D地形穿越步态优化2026年7月15日
基于VR和强化学习的小型人形遥操作移动操作VR+RL 驱动小型人形机器人的遥操作移动操作，含步态控制和操作协调模块，探索小型平台的 loco-manipulation 能力。Nicolas Kosanovic, Jordan Dowdy, Jean Chagas Vaz·2026年7月22日VR移动操作步态优化2026年7月22日
DynaWM：动力学感知蒸馏实现双足轮式机器人连续楼梯平滑运动在并发师生框架中引入世界模型（深度残差网络预测未来地形状态）和动量目标编码器（BYOL 式 EMA），通过预测损失强制教师编码器学习时空感知表示，为 student 提供稳定蒸馏目标，解决连续楼梯平滑运动问题。Haidong Hou, Zhangguo Yu, Hengbo Qi·2026年6月23日世界模型Continuous Stairs步态优化2026年6月23日
FastDSAC：通过约束探索增强策略可塑性实现可扩展人形运动对目标动作施加均值中心 tanh 截断映射，仅用于 Bellman 备份中目标 Q 值计算，用变量替换推导一致熵项——减少极端目标动作方差放大，在 MuJoCo Playground 和 HumanoidBench 上实现更快更可靠的离策略 RL 训练。Guanchen Lu, Yajuan Dun, Yi Zhou·2026年6月30日SACPlasticityHumanoidBench2026年6月30日
基于强化学习的人形机器人轮滑运动控制将强化学习与人形机器人结合，解决被动轮滑的欠驱动复杂力学问题，实现动态轮滑步态的新形态。Ethan Marot, Thomas Bi, Clemens Schwarke·2026年6月30日轮滑步态优化人形机器人2026年6月30日
ADP：对抗动力学先验实现物理扎根的人形运动控制用轨迹优化生成参考动力学特征（质心运动、动量、触地力），通过对抗判别器正则化策略生成的动力学窗口而非模仿关节级运动学，实现对外部扰动更强韧的人形运动恢复。相比 AMP 成功率提升 18 个百分点。Seokju Lee, Jeongtae Lee, Jeonghyeok Lim·2026年7月3日Adversarial强化学习步态优化2026年7月3日
HumoSlope：物理引导的生物力学步态自适应实现人形陡坡行走两阶段框架：Stage I 用坡面自适应 ZMP 正则化建立平衡先验，Stage II 用生物力学步态适配器(BSGA)根据地形描述符调节质心高度和下肢协调——上坡髋驱动、下坡膝制动。盲感知在 Unitree G1 上实现 36° 陡坡行走。Xuanyu Chen, Mohan Liu, Dengchen Mei·2026年7月8日ZMP人形机器人步态优化2026年7月8日
基于对抗运动先验的人形机器人轮滑运动学习用 AMP-PPO 框架和切片圆柱体轮仿真模型，让人形机器人学会 Pump Glide（足部开合产生动力）和 Push Glide（交替支撑推进）两种被动轮滑步态，在 Booster T1 上实现仿真和真实机器人持续轮滑。Yunkang Cheng, Yutong Wu, Menghan Li·2026年7月12日AMPBooster T1步态优化2026年7月12日
SKooP：对称 Koopman 预测加速腿式机器人运动学习将形态对称性（C2反射）与 Koopman 动力学自编码器结合，在 actor-critic RL 中为 critic 提供线性化动力学预测作为特权观测，显著提升样本效率和跨对称任务泛化能力。在 Cyberdog2 双足任务上验证。Evelyn D'Elia, Weishu Zhan, Giulio Turrisi·2026年7月13日Koopman强化学习步态优化2026年7月13日
通过足部驱动地形改造实现流变斜坡上的鲁棒双足运动在松软颗粒斜坡上，通过设计足部防滑钉的间距和深度来主动改造地形——将局部颗粒应力维持在屈服阈值附近——从身体中心转向肢体中心范式，让 BLUEY 和 HECTOR 在 20°-30° 颗粒斜坡上稳定行走。Deniz Kerimoglu, Junnosuke Kamohara, Jiyeon Maeng·2026年7月13日GranularCleat步态优化2026年7月13日
GaitSpan：从行走到跑步的人形机器人步态生长将预训练行走策略当作种子技能，通过 GaitWave 节奏生成、H-SLIP 步态动态塑形和残差适应三个模块，让一个策略连续覆盖行走→慢跑→跑步，在五种人形形态上实现零样本迁移。Kwan-Yee Lin, Zilin Wang, Janelle J. Liu·2026年7月13日人形机器人步态强化学习2026年7月13日
从运动模仿中学习人形机器人可复用混合运动先验从运动模仿中学习可复用的混合运动先验，让 RL 策略能跨步态任务迁移而非每次从零训练，提升人形运动控制的样本效率和泛化能力。Valerio Belli, Valerio Modugno, Enrico Mingo Hoffman·2026年7月27日运动模仿人形机器人步态优化2026年7月27日
RAVEN：可见图规划+无碰撞MPC实现鲁棒人形导航用可见图做长时程路径规划，结合无碰撞 MPC 处理短时动态和安全约束，实现动态环境中的鲁棒人形导航步态控制。Ruochen Hou, Shiqi Wang, Beom Jun Kim·2026年7月17日模型预测控制导航步态优化2026年7月17日
