人形机器人最新学术速递
操作控制（Manipulation）
-
? Generalizable Humanoid Manipulation with Improved 3D Diffusion Policies-
摘要: 本文提出了一种改进的3D扩散策略，旨在提升人形机器人在操作任务中的泛化能力。通过采用自我中心的3D视觉表示，该策略克服了传统方法中依赖相机校准和点云分割的限制，使得全尺寸人形机器人能够在多样的真实场景中自主执行技能，仅使用在实验室收集的数据。此外，该研究还展示了如何在不同环境中有效部署这一策略，从而显著提高操作的自适应性和准确性。 -
? EgoMimic: Scaling Imitation Learning via Egocentric Video-
摘要: EgoMimic探索了一种通过第一视角视频扩展模仿学习的方法，解决了传统模仿学习需要大量专家演示的限制。该方法利用人类的自我中心视频来提取操作技能，使得人形机器人可以在更加复杂和动态的环境中进行有效学习和操作。通过对不同环境和操作任务的测试，EgoMimic证明了其在提升人形机器人复杂操作能力方面的有效性。 -
OKAMI: Teaching Humanoid Robots Manipulation Skills through Single Video Imitation-
摘要: OKAMI探索了一种通过单一视频模仿教授人形机器人操作技能的方法，这种方法显著降低了传统机器人操作技能学习中需要的大量演示数据的需求。通过这种简化的训练过程，OKAMI能够有效地在多种任务中提升人形机器人的操作能力，展示了其在不同应用场景中的适用性和效率。 -
? ACE: A Cross-Platform Visual-Exoskeletons System for Low-Cost Dexterous Teleoperation-
摘要: ACE提出了一种跨平台的视觉外骨骼系统，该系统为远程操作提供了一种低成本而灵巧的解决方案。在工业和医疗等领域具有显著的应用潜力，ACE系统通过优化成本和提高操作灵活性，改善了远程操作系统的可及性和实用性。 -
? Open-TeleVision: Teleoperation with Immersive Active Visual Feedback-
摘要: Open-TeleVision利用沉浸式主动视觉反馈技术，显著提升了远程操作的精度和用户体验。此技术特别适用于执行复杂任务的场景，通过提供高质量的视觉反馈，使操作者能够更准确地控制机器人，从而提高了任务执行的效率和安全性。 -
? Bunny-VisionPro: Real-Time Bimanual Dexterous Teleoperation for Imitation Learning-
摘要: Bunny-VisionPro实现了实时双手灵巧远程操作，特别强调了模仿学习的应用。该系统能够在复杂的操作任务中模仿人类的双手协作，展示了在实时操作中双手协同的高效性和潜在的广泛应用。 -
? Learning Visuotactile Skills with Two Multifingered Hands-
摘要: 本研究通过多指手的视觉触觉融合技术，开发了一种学习复杂操作技能的方法。该技术通过整合视觉和触觉信息，显著提高了机器人在执行精细操作任务中的性能和适应性，为多指操作机器人的实际应用开辟了新的可能。
行走与操作融合（Loco-Manipulation and Whole-Body-Control）
-
EMOTION: Expressive Motion Sequence Generation for Humanoid Robots with In-Context Learning-
摘要: EMOTION通过上下文学习为人形机器人生成富有表现力的运动序列，增强了机器人在执行复杂动作序列时的自然性和表现力。该研究利用先进的机器学习技术，使机器人能够在不同的交互环境中根据上下文生成适应性强的动作，从而有效提高了人机交互的流畅性和自然度。 -
HOVER: Versatile Neural Whole-Body Controller for Humanoid Robots-
摘要: HOVER提出了一种通用的神经网络全身控制器，旨在提升人形机器人的灵活性和适应性。该控制器通过融合多种传感器输入，并利用神经网络预测和调整机器人的动作，实现了对复杂动作的精确控制。HOVER在多种模拟和实际环境中进行了测试，展示了其在促进人形机器人执行多样化任务中的高效性和鲁棒性。
行走（Locomotion）
- ? Learning Smooth Humanoid Locomotion through Lipschitz-Constrained Policies-
摘要: 该研究通过Lipschitz约束策略实现了人形机器人的平滑行走，有效减少了机器人在复杂地形上行走时的抖动和姿态变化。通过限制策略变化率，该方法不仅提高了行走的稳定性，还确保了动作的连贯性和流畅性，显著提升了机器人在各种地形上的行走性能。
模拟基准测试（Simulation Benchmark）
-
? ManiSkill3: GPU Parallelized Robotics Simulation and Rendering for Generalizable Embodied AI-
摘要: ManiSkill3是一个GPU并行化的机器人模拟平台，专为通用具身人工智能设计。它提供了高效的模拟和渲染支持，支持多种机器人操作任务，允许研究人员在一个开放的环境中进行实验和开发。通过并行处理和高度优化的渲染技术，ManiSkill3显著提高了模拟效率和实验的可扩展性。 -
? BiGym: A Demo-Driven Mobile Bi-Manual Manipulation Benchmark-
摘要: BiGym是一个专注于移动操作任务的双手操作基准平台。该平台通过大量的演示驱动，为双手机器人操作提供了标准化的测试和评估环境，便于对不同算法进行横向对比。BiGym的设计旨在提高算法在实际应用中的可行性和效果，通过提供标准化的环境和任务，使研究人员能够有效评估和改进双手操作技术。 -
? RoboCasa: Large-Scale Simulation of Everyday Tasks for Generalist Robots-
摘要: RoboCasa提供了一个大规模的日常任务模拟环境，旨在支持通用机器人在家庭等日常场景中的任务执行。平台中涵盖了多种日常任务，如打扫、整理、搬运物品等，有助于机器人对日常环境的适应能力提升。RoboCasa的主要目标是为研究人员提供一个实验环境，其中可以测试和优化机器人在实际生活环境中的表现和功能。 -
? Humanoid-Gym: Reinforcement Learning for Humanoid Robot with Zero-Shot Sim2Real Transfer-
摘要: Humanoid-Gym是一个强化学习环境，专门用于人形机器人。该平台支持零样本的模拟到现实转移，使得训练好的模型能够直接应用于真实世界中的机器人。通过这种方法，Humanoid-Gym旨在降低从模拟环境到实际环境迁移时的性能损失，提高人形机器人在未知或动态环境中的应对能力。 -
? HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation-
摘要: HumanoidBench是一个用于评估全身运动和操作能力的人形机器人基准平台。该平台提供了丰富的任务和标准化测试，使得研究人员能够对不同算法的性能进行全面评估。通过模拟各种复杂的动作和操作任务，HumanoidBench旨在推动人形机器人技术的发展，特别是在提高其动态运动和精细操作能力方面。