在人形机器人控制领域，实现兼具语义理解与动态适应性的全身控制一直是具身智能的关键挑战。加州大学伯克利分校联合多国研究机构提出的LeVERB（Latent Vision-Language-Encoded Robot Behavior）框架，通过分层潜变量指令跟踪机制，首次实现了视觉 - 语言驱动的人形机器人全身控制，为机器人从仿真到真实环境的零样本迁移提供了突破性解决方案。
了解更多
MuGen: Multi-Skill Generative Locomotion Controller for Humanoid Robots 北大团队用"VQ码本+物理仿真"让人形机器人学会人类运动的"肌肉记忆"
了解更多
Stanford & Amazon FAR最新工作，用"事后场景重建"破解接触丰富任务的数据瓶颈：当前的人形强化学习政策在自由空间运动方面表现出色，但在接触丰富的任务中挣扎，因为纯粹的运动学跟踪无法解决与物体和不平坦地形交互的物理模糊性。为了解决这个问题，我们引入了SceneBot，这是一个统一的运动跟踪框架，能够处理自由空间运动、地形穿越和全身操作。SceneBot对参考运动和每链路接触标签的
了解更多
来自南开大学、武汉大学、慕尼黑工业大学等机构的研究团队提出了一种新方法VLM-Loc，让机器能够理解人类用自然语言描述的空间位置，并在 3D 点云地图中找到对应的位置。
了解更多
北京大学人工智能研究院发表论文《基于距离场的人形机器人长时域交互通用框架》，提出LESSMIMIC框架，以距离场（DF）为统一交互表征，通过三阶段训练流程（行为克隆、对抗微调、视觉蒸馏），使单个策略具备几何泛化与长时域技能组合能力。
了解更多
EgoScale，是一款基于大规模第一视角人类数据构建的视觉 - 语言 - 动作（VLA）迁移框架。它突破现有研究的数据规模瓶颈，在 2 万小时带动作标签的第一视角人类视频上训练，规模达到此前同类研究的 20 倍以上，还发现人类数据规模与模型验证损失的对数线性缩放定律，成功实现从人类操作到机器人灵巧动作的高效迁移，为通用人机灵巧操作提供了数据高效、泛化性强的解决方案。
了解更多
具备自然类人行走能力的人形机器人，是实现人机共存的重要基础。随着人形机器人逐渐从受控实验室环境走向家庭、工作场所和公共空间，其步态质量不仅直接影响运动效率，还影响公众的接受程度。不自然的机械步态可能显得生硬、不适，并加速关键部件的磨损；相反，流畅且具有生物仿真特性的步态不仅能够提高机器人运行效率，还可作为理想平台，用于测试外骨骼等康复辅助设备，从而减少对人体
了解更多
清华大学等团队提出的Hiking in the Wild，是一款面向复杂非结构化环境的人形机器人敏捷行走框架。它以 “端到端感知 - 控制” 为核心，通过深度图像实时感知地形，结合地形边缘安全机制与自适应指令生成策略，让人形机器人实现零样本仿真到现实迁移，在室内外复杂地形（楼梯、斜坡、间隙、高台）中以最高 2.5 m/s 的速度稳健行走，突破传统方法在动态性、安全性与泛化性上的三重局限。
了解更多
人形机器人具有无与伦比的多功能性，可以执行类似人类的全身技能。然而，由于模拟和现实世界之间的动力学不匹配，实现敏捷和协调的全身运动仍然是一个重大挑战。现有的方法，如系统识别（SysID）和域随机化（DR）方法，通常依赖于劳动密集型的参数调整，或者导致牺牲敏捷性的过于保守的策略。
了解更多
相机是移动机器人的基本组成部分，提供基本的视觉数据，使机器人能够感知、解释周围环境并与之互动。在这个集成方案里，我们的团队为玄武2号UGV室内外移动小车配备了一系列FLIR Blackfly摄像头，以及一套额外的传感器和量身定制的传感器。这些定制增强传感器融合能力，并提高导航和分析复杂动态环境的性能。
了解更多
Donghu Robot Laboratory, 2nd Floor, Baogu Innovation and Entrepreneurship Center，Wuhan City，Hubei Province，China
Tel：027-87522899,027-87522877 商务合作：18062020215
销售咨询：18062020221
服务热线：027-87522899
 |
 |
