Unitree G1
PulseAugur coverage of Unitree G1 — every cluster mentioning Unitree G1 across labs, papers, and developer communities, ranked by signal.
- 2026-07-09 research_milestone Humanoid robots controlled by surgeons performed a world-first surgery on live pigs. 来源
- 2026-07-09 research_milestone A Unitree G1 humanoid robot, controlled by surgeons, performed a gallbladder removal surgery on live pigs, marking a significant advancement in remote robotic surgery. 来源
- 2026-07-05 controversy A Unitree G1 robot reportedly injured office workers in Indonesia. 来源
- 2026-06-20 research_milestone A Unitree G1 humanoid robot successfully summited Ecuador's Chimborazo volcano at 6,310 meters. 来源
9 天有情绪数据
-
清华大学LATENT机器人因模拟网球正手获IROS奖
由Galbot与清华大学开发的名为LATENT的人形机器人，因其令人印象深刻的网球正手能力获得了2026年IROS奖。在测试中，该机器人在约91%的动作捕捉模拟回合中成功回击了正手球。
-
新的HiPHI数据集通过大规模动作捕捉推动人形机器人学习
为了解决训练人形机器人进行复杂物理交互的数据限制，开发了一个名为HiPHI的新数据集。该数据集规模庞大，包含617.5小时的动作捕捉数据，并以FrameNet为指导框架，系统地涵盖了广泛的人类动作和物体交互。数据包括同步的物体轨迹和网格，使其适用于教授机器人现实世界的任务。在HiPHI上训练的策略已证明随着数据规模的增加而提高了性能，并成功迁移到了物理Unitree G1人形机器人上。
-
BiGym 2.0 基准测试人形机器人操作技能
一个名为 BiGym 2.0 的新基准套件已被开发出来，用于评估人形家庭操作能力，特别是针对 Unitree G1 机器人。该套件包含 20 项家庭任务，每项任务都有 60 次人类演示和同步的多摄像头视图。研究人员对包括视觉-语言-动作微调、模仿学习、演示驱动强化学习和编码代理在内的各种人工智能方法进行了基准测试，发现视觉-语言-动作微调在九项任务的平均表现最佳。然而，在多物体运输和复杂堆叠等领域仍然存在挑战，这表明当前的方法在双臂操…
-
视觉-语言模型增强机器人导航与校准
研究人员开发了一个新颖的框架，该框架使用视觉-语言模型（VLM）来指导移动机器人的电磁数字孪生在线校准。该方法利用VLM调用来分类材料并规划最佳测量位置，显著减少了精确电导率映射所需的行驶距离。该系统在配备NVIDIA Sionna的Unitree G1机器人上进行了演示，实现了较低的归一化平均绝对电导率误差，优于随机初始化和航点选择方法。
-
大型语言模型机器人越狱尝试中展现出意图-行为差距
研究人员发现，在大型语言模型（LLM）驱动的机器人中，意图中的恶意行为与其实际产生的有害行为之间存在显著差距，这被称为意图-行为差距。这种差异的出现是因为当前的越狱方法忽略了机器人特有的约束，例如可执行的控制API和物理可行性。为了解决这个问题，开发了一个名为POEF的新框架，通过考虑这些机器人特有的限制来优化越狱提示，在各种LLM和机器人平台上实现了80%的行为越狱成功率。研究结果强调，在LLM驱动的机器人广泛部署之前，迫切需要采取…
-
新基准HumanoidToolBench评估人形机器人工具使用能力
研究人员推出了HumanoidToolBench，这是一个旨在评估人形机器人在复杂任务中使用工具能力的新基准。该基准包含跨越各种场景和执行级别的18项任务，并由ToolBook支持，ToolBook是一个在模拟和真实Unitree G1机器人上收集的超过3000个演示的数据集。对七个模拟和三个真实策略的初步评估突显了机器人工具使用方面存在的重大挑战，特别是在选择合适的工具和准确执行任务方面，尤其是在面对未见过工具或不相关指令时。
-
InterEvolve系统使人形机器人能够在测试时学习新任务
研究人员开发了InterEvolve，一种用于人形机器人测试时奖励程序演化的新颖系统。该方法允许机器人在不重新训练的情况下解决新任务，方法是重新利用现有技能并从自己的尝试中学习。InterEvolve利用了面向对象的基金模型和大型语言模型代理来动态修改和优化奖励程序，使机器人能够适应并提高其在复杂运动操纵任务上的性能。
-
AI研究探索具身智能体和游戏开发的自我对弈 · 追踪6个来源
两篇新研究论文探讨了用于AI开发的先进自我对弈技术。一篇论文介绍了用于具身智能体的游戏引导技能发现（GGSD），通过竞争性游戏实现人类可玩的操作技能。另一篇提出了RSIGame，一个用于自主智能体游戏开发的框架，该框架使用递归自我改进来提高游戏质量和效率，在某些基准测试中显著优于GPT-5.5。
-
SafeFlow框架支持实时、物理引导的人形机器人控制
研究人员开发了SafeFlow，一个用于实时文本驱动的人形机器人控制的新框架。该系统集成了物理引导的运动生成和多级安全门控，以确保生成的轨迹在物理上可行且对现实世界执行安全。SafeFlow利用变分自编码器潜在空间和校正流匹配方法，通过Reflow加速，来生成运动计划。其安全机制包括检测分布外提示、过滤不稳定生成以及在Unitree G1等机器人上执行前强制执行硬运动学约束。
-
Unitree创始人削减成本推动廉价人形机器人发展，引发质量担忧
中国公司Unitree Robotics已成为生产经济型人形和四足机器人的领导者，这在很大程度上归功于其创始人王兴星对削减成本和微观管理的强烈关注。虽然这种方法带来了市场成功和重要的IPO，但有报道称这也影响了质量控制，过去曾出现高维修退货率。创始人亲力亲为的管理风格，深入到细微的设计细节，随着公司的发展，其可扩展性正受到质疑。
-
新框架重建人体-场景交互以供机器人学习
研究人员推出 HSImul3R，一个新颖的框架，用于重建稳定且可在物理模拟中验证的人体-场景交互。该系统超越了传统 3D 重建（通常优先考虑视觉准确性），通过整合重力、接触和交互稳定性等基于物理的约束。通过采用物理闭环方法，HSImul3R 优化了人体运动和场景几何，以确保重建的交互在物理上是合理的，并且可以直接转移到真实世界的机器人上。
-
RoboTracer系统通过3D空间推理增强机器人轨迹跟踪
研究人员开发了RoboTracer，一个利用3D空间感知和度量推理来增强机器人轨迹跟踪的新系统。与直接输出关节扭矩或依赖2D理解的先前方法不同，RoboTracer使用视觉语言模型将指令分解为具有物理尺度的多步3D轨迹。这种方法使机器人能够更好地理解和执行涉及精确运动和避障的复杂任务，即使面对不同的物体或距离。
-
TANGO框架使人形机器人能够使用语言导航杂乱空间
研究人员开发了TANGO，一种新颖的人形机器人全身视觉-语言导航框架。该系统使机器人能够根据自然语言指令在杂乱的室内环境中导航，预测29-DoF关节空间动作以实现精确的全身控制。TANGO完全在模拟环境中训练，并展示了最先进的性能，即使在复杂的障碍物协商场景中也优于模块化基线。值得注意的是，该框架在Unitree G1人形机器人上成功进行了零样本部署，在真实的杂乱空间中实现了鲁棒导航，而无需任何真实世界训练数据。
-
MobileVLA-R1 2.0 通过推理和强化学习提升机器人指令遵循能力
研究人员推出了 MobileVLA-R1 2.0，一个旨在增强移动机器人遵循复杂、长时程指令能力的新框架。该系统集成了结构化推理、强化学习和思维链对齐，以弥合高级理解与低级机器人控制之间的差距。在包括 Unitree Go2 和 G1 机器人的导航和操作等各种任务上的评估显示，与先前版本相比有了显著改进，尤其是在真实世界的移动操作场景中。
-
新AI模型为人类和机器人生成逼真的共语手势
两篇新研究论文，Puppeteer和RoboGesture，介绍了生成共语手势的先进方法。Puppeteer是一个扩散模型，通过在因果潜在空间中操作并创建一个名为SceneGes的新数据集，专注于物体感知和姿势感知的手势。RoboGesture专为人形机器人设计，通过开发机器人特定数据集、分层语义声学对齐器和无碰撞运动的安全过滤器来解决实时交互问题。
-
WarpSAC 算法使强化学习稳定器适应数据模式
研究人员开发了 WarpSAC，这是一系列新的离策略强化学习算法，旨在适应海量并行模拟环境中的不同数据模式。通过分析稳定器在不同数据可用性下的表现，研究团队发现参数归一化和裁剪双 Q 方法依赖于数据模式。WarpSAC 提供两种变体：WarpSAC-L 用于数据受限的 CPU 训练，WarpSAC-A 用于数据丰富的 GPU 训练，在学习效率和从模拟到现实的部署方面均显示出显著改进。
-
WarpSAC 强化学习算法适应数据模式，提升性能
研究人员推出 WarpSAC，这是一系列新的离策略强化学习算法，旨在适应不同的数据模式。通过分析稳定器在数据有限与数据丰富场景下的表现，WarpSAC 提供了两个变体：WarpSAC-L 用于 CPU 规模训练，WarpSAC-A 用于 GPU 并行训练。这种方法在复杂任务中取得了比 FlashSAC 等现有方法更高的成功率，并在实际应用中实现了更快的部署，展示了显著的改进。
-
人形机器人学习专业网球风格并实现自主对打
研究人员开发了一个名为AdaPT的新框架，使人形机器人能够模仿专业网球风格，该框架侧重于自适应运动规划与跟踪。该系统从广播视频中学习，并在Unitree G1和Dobot Atom机器人上进行了测试，展示了改进的跟踪鲁棒性以及无需动作捕捉即可发球的能力。另外，一个名为Galbot的机器人自主完成了100多次连续网球对打。
-
GigaBrain-WBC-0.5：新模型通过环境交互增强人形机器人控制能力
研究人员推出 GigaBrain-WBC-0.5，这是一种新颖的行为世界模型，旨在实现人形机器人稳健的全身体控制。与之前的反应式跟踪器不同，该模型使用因果 Transformer 不仅预测机器人下一个动作和状态，还预测环境如何影响其预期行为。这使得机器人能够适应复杂地形和物体交互，检测并纠正不合理的指令，并更有效地从跌倒中恢复。硬件试验已证明其在 Unitree G1 和 Maker L01 等机器人上的有效性。
-
OpenBelief-Nav 系统通过保留证据的记忆增强了 3D 导航能力
研究人员推出 OpenBelief-Nav，这是一个新颖的系统，专为 3D 环境中的开放词汇语言引导导航而设计。该系统保留了观察细节和可靠性线索，与依赖单一特征或标签的传统方法相比，实现了更灵活的语义记忆。OpenBelief-Nav 在各种数据集和模拟机器人场景中的物体检测和导航任务上均表现出性能提升。