Unitree G1 相关 AI 资讯

7月31日

13:01

官方账号arXiv cs.AI@Lizhi Yang, Junheng Li, Aaron D. Ames

PAC-MAN 是 arXiv 2607.28623 提出的考虑感知的 CBF-RL 框架，训练时用控制屏障为每个身体链接提供安全约束，部署时只靠头戴相机的分割掩码深度观测球。在单次投掷和往返站位恢复的部署循环基准上，该策略与拥有完整球状态的特权状态 oracle 仅差几分。实验显示 Joint-CBF 在精确球状态时表现最佳，但固定相机观测下仅作为训练引导会退化，加装球跟踪云台或运行时滤波器可恢复。研究者将轻量 Link-CBF 策略零样本部署到 Unitree G1 真机，能容忍不完美感知，95% 的投掷成功，并用语义分割躲避不同球。

论文 PAC-MAN CBF-RL Unitree G1

推荐理由：Unitree G1 靠头戴相机躲球真有 95% 成功率，和上帝视角基线差距很小。对做机器人感知和安全的都挺有参考价值。

原文

6月30日

13:57

官方账号arXiv cs.AI@Yen-Jen Wang, Jiaman Li, Sirui Chen, Takara E. Truong, Pei Xu, Pieter Abbeel, Rocky Duan, Koushil Sreenath, Angjoo Kanazawa, Carmelo Sferrazza, Guanya Shi, Karen Liu

VLK提出利用3D高斯溅射（3D Gaussian Splatting）重建度量级室内场景，并合成导航与物体交互轨迹，生成48,000个配对视觉-语言-运动学（VLK）数据，无需人工干预。训练出的VLK策略能够预测短时全身运动轨迹，并通过全身跟踪器将预测转化为实际动作。在物理Unitree G1人形机器人上，该方法成功完成导航和单物体运输任务，实现了从模拟到真实的感知驱动操作。

AI模型 VLK Unitree G1 3D高斯溅射

推荐理由：想让人形机器人自己学会拿东西？VLK用48,000条合成轨迹模拟真实场景，直接在Unitree G1上跑通了导航和运输，省掉人工标注的苦力。

原文

6月23日

13:18

官方账号arXiv cs.AI@Sikai Li, Shuning Li, Zhenyu Wei, Yunchao Yao, Chenran Li, Mingyu Ding

CoorDex是一个学习管线，将高维全身和灵巧手控制转换为协调的潜在残差控制，使Unitree G1人形机器人搭配20-DoF WUJI手能在移动中执行灵巧操作。它从模拟全身和手部演示训练特权运动跟踪教师，蒸馏为潜在先验，再用残差强化学习训练协调策略。该方法实现了非停止的瓶子抓取搬运、移动中打开冰箱门和立方体旋转。消融实验表明，联合空间PPO、联合空间手控制和整体潜在预测在同一奖励预算下均失败。

AI模型 CoorDex Unitree G1 人形机器人

推荐理由：CoorDex让人形机器人在行走时用灵巧手完成开冰箱、抓瓶子的连续操作，不再需要走走停停，和之前的笨拙模式完全不一样。

原文

6月10日

11:30

官方账号arXiv cs.AI@Yichao Zhong, Yidan Lu, Yuhang Lu, Tianyang Tang, Haoguang Mai, Yixuan Pan, Tianyu Li, Li Chen, Jingbo Wang, Zhongyu Li, Peng Lu, Hongyang Li

72°

RoboNaldo 是一种三阶段运动引导课程强化学习框架，旨在解决人形机器人足球射门中的全身稳定性、高冲击力交互和精准度问题。它先用单一人踢参考动作学习稳定踢球先验，再适应固定球位置的任意球场景，最后扩展到移动球射门。在仿真中，RoboNaldo 的任意球射门误差比基线低 48.6%，射门速度提升 2.96 倍。在 Unitree G1 机器人上，从 3 米外射门平均误差为 0.73 米（任意球）和 0.86 米（移动球），触球后球速达 13.10 米/秒，达到职业球员射门速度的 59-71%。该工作为高动态人形机器人运动控制提供了新范式。

论文人形机器人强化学习课程学习

推荐理由：做足式机器人运动控制或强化学习的团队，RoboNaldo 的课程学习思路能直接借鉴——用单条参考动作引导复杂技能学习，解决了从仿真到真实部署的精度和速度难题，值得点开看方法细节。

原文

6月5日

12:20