苹果公开 HALO 人形机器人研究：宇树 G1 背 Mac mini 跑千问，陌生家庭任务成功率 91%
苹果研究团队公开 HALO 人形机器人研究，用宇树 G1 背负 Mac mini M4 Pro 本地运行千问模型，在 6 个未扫描的真实家庭中 360 次测试平均成功率达 91%。
推荐理由：苹果用纯仿真合成数据替代人力遥操作，在陌生真实家庭中验证人形机器人技能迁移，为绕开数据瓶颈提供了一条可规模化的路径。
#Motion control
APPSO · 微信公众号精选AI 评分8383
未来机器人网 · 微信公众号精选AI 评分8282 苹果发布 HALO 人形机器人系统论文，在宇树 G1 上实现零样本迁移
苹果研究团队在 arXiv 发布论文《Perceptive Humanoid Motion from Simulation》，推出人形机器人自主系统 HALO，并在宇树科技 G1 上完成实景验证，同时开源数据生成、训练与部署代码。
推荐理由：论文给出仿真合成数据零样本迁移到宇树 G1 的三层架构与分项成功率，可对照长链条任务的失败环节。
arXiv cs.RO精选AI 评分8080 cuRoboV2-Fast：面向扭矩受限无碰撞运动的 GPU 加速规划器
作者提出 GPU 加速规划器 cuRoboV2-Fast，用于无碰撞、载荷感知且扭矩受限的运动，通过 B 样条轨迹优化减少迭代次数，并用 TimeOpt 在速度、加速度、加加速度和扭矩约束下优化固定路径的通行速度。
推荐理由：论文给出 GPU 加速的扭矩受限无碰撞规划器，并对比了规划延迟与实机抓放周期，可供关注规划部署效率的读者参考。
arXiv cs.RO精选AI 评分8484 HALO：从仿真合成数据训练的人形机器人自主系统实现零样本实机迁移
研究团队提出人形机器人自主系统 HALO，通过在约一千个程序化生成的家庭场景中合成视觉-语言-动作数据，摆脱对遥操作采集的依赖。HALO 习得坐椅子、导航到指定物体、侧身穿半开门、蹲爬桌下和推箱子等技能，并能组合完成长程任务。训练中未见过真实家庭场景，HALO 零样本迁移到物理世界，在六个未建图真实环境的 360 次试验中达到 91% 成功率。
推荐理由：论文给出用程序化生成家庭场景合成视觉-语言-动作数据、再零样本迁移到实机的完整路径，可参考其数据规模化思路。
arXiv cs.RO精选AI 评分8080 Movens-Zero：用大规模人类视频扩展人形运动基础模型
研究团队提出 Movens-Zero 可扩展的理解-生成-执行架构，支持文本、语音、音乐和视频输入下的实时闭环人形运动生成。其配套数据集 Movens-5M 从互联网视频经片段生成、质量过滤、语义标注、运动恢复与人形重定向物理精炼构建，含 1500 万条人类运动序列和 500 万条可物理执行的人形运动序列，总时长超 1 万小时。
推荐理由：该技术报告给出从互联网视频构建人形运动数据集并训练统一理解-生成-执行模型的完整路径，可供参考数据规模与架构设计。
arXiv cs.RO精选AI 评分7878 ∇Mimic：用可微仿真实现高效人形机器人全身控制
作者提出 ∇Mimic，用可微仿真器的精确梯度训练人形机器人全身运动跟踪策略，在单张 GPU 上 20 分钟达到 0.82 分、1.8 小时达到 0.874 分，而世界模型方法达到 0.82 需 1.2 小时。
推荐理由：论文给出可微仿真下精确梯度训练人形策略的完整方案，并开源引擎与代码，便于对比一阶与零阶方法的效率差异。
HuggingFace Daily Papers精选AI 评分8282 ODE Policy：以动作动力学而非动作值学习机器人策略
ODE Policy 提出用神经常微分方程学习动作的向量场，而不是在离散控制步上直接回归动作值，部署时由上一动作积分得到下一动作，使轨迹天然连续。
推荐理由：该工作把动作建模为神经 ODE 的向量场，让轨迹连续成为结构属性，并给出跨多类任务的对比结果。
arXiv cs.RO精选AI 评分7878 X-WBC：面向人形全身控制的跨本体基础模型
X-WBC 是一个跨本体人形全身控制基础框架，将相对共享的人体运动语义与本体特定的物理执行分离。它用人类中心命令 token 对齐完整人体运动、机器人参考运动和稀疏 VR 观测，由因果 Transformer 从多机器人混合 rollout 中学习可复用时间结构，轻量机器人专属模块再把共享表示映射到各机器人的本体感知与动作空间。
推荐理由：论文提出跨本体人形全身控制框架，把共享人体运动语义与各本体执行解耦，并在九种仿真本体和四台实机上验证联合训练效果。
深蓝AI · 微信公众号精选AI 评分8181 代尔夫特理工MonoRace仅用单目前视摄像头实现时速100公里自主无人机竞速
荷兰代尔夫特理工大学MAVLab的MonoRace系统只靠一个前视摄像头和IMU，在2025年阿布扎比自主无人机竞速赛中连续战胜三位世界冠军级飞手，论文于2026年10月14日发表在Science Robotics。
推荐理由：代尔夫特团队拆解了单目相机加IMU在高速竞速中的感知、状态估计与强化学习控制分工，可迁移到算力受限的实机系统。
arXiv cs.RO精选AI 评分7878 SuperMimic：用一个可微世界模型扩展人形机器人全身控制
SuperMimic 用一个共享动力学的可微世界模型，在单一训练循环中同时训练世界模型与跟踪策略，通过短想象轨迹上的 backpropagation-through-time 为策略提供解析梯度。
推荐理由：论文给出了用单一可微世界模型替代大规模强化学习训练的具体路径和算力对比数据，可评估其对人形全身控制规模化的影响。
Singularity Hub精选AI 评分7676 KAIST 四足机器人 RAIBO2 不换电跑完马拉松，单次充电续航约 40 英里
KAIST 的四足机器人 RAIBO2 在韩国尚州的柿饼马拉松以 4 小时 19 分 52 秒完赛，成绩略快于人类平均，全程未换电或充电，终点仍剩 34% 电量，团队上周在 Nature 发文介绍这项工作。
推荐理由：研究把腿足机器人的节能从单一部件优化推向跨关节与电路的整体设计，给出可迁移到长时程户外机器人的具体做法。
CMU Robotics Institute精选AI 评分6262 CMU 与西门子合作提出人形机器人安全停止监测方法 PRISM
CMU 与西门子合作开发评估人形机器人「safe stoppability」的方法，并通过仿真定义了可安全停止机器人的条件，成果为 PRISM（Proactive Refinement of Importance-sampled Stoppability Monitor）。
推荐理由：文章介绍了用仿真定义人形机器人可安全停止条件的方法 PRISM，对关注人形机器人安全监控与认证的读者有参考价值。
Harbin Institute of Technology Robotics精选AI 评分7373 哈工大李天龙团队在《科学进展》发表CD5+树突状细胞微机器人磁控免疫治疗研究
哈工大李天龙团队研发基于CD5+树突状细胞的工程化微机器人系统，可通过外磁场调控实现血管内精准导航并原位激活免疫细胞，成果发表于《科学进展》。系统在锥形磁场下自组装为带状集群顺流迁移，旋转磁场下组装为链状集群逆血流上行，结合肿瘤趋化实现靶向富集与深部浸润；小鼠原位结直肠癌模型中单次注射联合磁控导航使肿瘤生物发光信号降低90%以上。哈工大为论文第一单位。
推荐理由：哈工大团队介绍CD5+树突状细胞微机器人的构建策略与磁控导航结果，读者可了解原位免疫激活这条治疗路径的具体做法。
加速进化 · 微信公众号精选AI 评分7272 清华赵明国团队 Science Robotics 论文提出视觉驱动人形足球技能的统一感知-运动强化学习框架
8 月 19 日，清华大学自动化系赵明国教授团队在 Science Robotics 发表论文《Learning Vision-Driven Reactive Soccer Skills for Humanoid Robots》，入选 2026 年 8 月人形机器人特刊，所用机器人平台为加速进化（Booster）自主研发的人形机器人。
推荐理由：论文拆解了传统感知-规划-控制流水线的三处失效，并给出可复现的仿真到真机迁移方法。
PKU EPIC Lab精选AI 评分6666 PKU EPIC Lab 发布 HumanTracker 人形运动跟踪基准与 HumanScore 指标
PKU EPIC Lab 提出HumanTracker基准，用于人形运动跟踪的评估，被ECCV 2026接收。基准包含约153小时来自多名专业演员的光学运动轨迹，分为四个运动族并带文本标签；配套的HumanScore指标基于包含24K动作的12K运动对训练，与人类偏好对齐，能揭示运动学指标常漏掉的接触与稳定性失败，如脚滑和落地时机错误。
推荐理由：原文提出将人形运动跟踪评估与人的感知对齐的基准和指标，指出现有运动学误差会漏掉足底滑移等接触问题。
Harbin Institute of Technology Robotics精选AI 评分6262 哈工大朱延河团队在模块化机器人协作重构自修复领域发表论文
哈工大朱延河教授团队在《极端制造（英文）》（IJEM）发表论文，提出基于协作重构的模块化机器人自主容错修复策略，通过改变形态恢复关节故障损伤，无需备份模块替换。方法结合拓扑描述与运动学自建模、粒子群算法搜索目标构型及改进RRT协作重构算法，实验中容错上限比固定构型冗余方法提高7倍。哈工大为唯一完成单位，博士生齐健为第一作者。
推荐理由：论文给出无需备份模块的协作重构容错策略和7倍容错上限提升数据，读者可了解极端环境下机器人集群自修复的具体实现路径。
PKU EPIC Lab精选AI 评分6161 PKU EPIC Lab 提出人形运动追踪数据研究 LIMMT，ICML 2026 接收
PKU EPIC Lab 发布 LIMMT（Less Is More for Motion Tracking），称是首个面向物理仿真人形运动追踪的数据中心研究。方法从物理可行性、多样性和复杂度三个维度定义动作数据质量，用不到 3% 的 AMASS 训练即可获得优于全量数据集的追踪表现，并清洗了网络来源 mocap 数据。论文已被 ICML 2026 接收，见 arXiv:2606.06953。
推荐理由：论文给出数据质量三维度框架和少量数据训练结果，对做humanoid运动追踪的研究者有方法参考。
New Scientist Robots精选AI 评分7676 Sony AI 乒乓球机器人 Ace 击败职业选手，研究发表于 Nature
Sony AI 的自主乒乓球机器人 Ace 按日本职业乒乓球联赛规则参赛，战胜多名精英与职业选手，相关研究发表于 Nature（DOI: 10.1038/s41586-026-10338-5）。
推荐理由：文章交代了 Ace 的比赛战绩与三项关键技术，并把它与 Deep Blue、AlphaGo 的里程碑并置，方便读者判断实体体育竞技目前走到了哪一步。
已经到底了