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
13 天有情绪数据
-
新AI方法在一分钟内学会人形运动追踪和运动
研究人员开发了XMimic和XSoma,两种学习人形运动追踪和运动的新方法。这些方法通过在多个GPU之间并行计算,将训练时间大大缩短,在一分钟内即可获得结果。XMimic专注于运动追踪,而XSoma通过精确计算动力学和地形高度来处理崎岖地形上的运动。这两种方法都比现有方法显示出显著的速度提升,并利用JAX和MuJoCo Warp模拟器进行高效训练。
-
新AI模型CFGComposer生成同步的音频-文本到动作手势
研究人员开发了CFGComposer,这是一种新颖的方法,用于生成与语音音频同步并与文本描述对齐的全身人类手势。该方法组合了两个独立训练的扩散模型,并通过对捕获跨模态交互的Copula分数进行建模来精炼它们的联合推理。在BEAT数据集上的实验表明,CFGComposer在语义保真度和节拍对齐方面达到了最先进水平,在人类评估中优于先前的方法。该系统在部署到Unitree G1人形机器人上时,也成功实现了从模拟到现实的迁移。
-
OneSteer:扩散模型实现可控人形运动跟踪
研究人员开发了OneSteer,一种新颖的一步扩散模型,用于人形运动跟踪,无需重新训练即可实现可控控制。该系统可以通过优化冻结扩散模型的输入噪声来适应新目标,使其能够执行导航障碍物或从模拟故障中恢复等任务。在测试中,OneSteer在基准数据集上表现出高精度,并在物理Unitree G1机器人上成功完成了大量试验,包括使用LiDAR数据进行的复杂机动和避障。
-
Apple 研究人员使用本地 Qwen AI 控制 Unitree G1 机器人
Apple 研究人员展示了由运行在本地 Mac mini 上的 Qwen 语言模型控制的人形机器人 Unitree G1。在 1,000 个模拟环境的训练后,该机器人在 360 次真实世界试验中,成功导航了不熟悉的房间,并完成了坐下和爬到障碍物下方等任务,成功率达到 91%。这展示了本地 AI 控制物理机器人的进步。
-
社交人形机器人系统使机器人能够与人类合作伙伴协调
研究人员开发了一个名为Social Humanoid的系统,使人形机器人能够与人类合作伙伴进行更自然的交互。该系统采用分层方法来生成和执行社交响应式全身运动,通过预测人类的动作,使机器人能够与人类进行物理协调。训练过程包括自适应重定向程序,并利用大量的人-人形机器人交互数据集,以确保在模拟和现实世界环境中都能实现协调且与人类对齐的行为。
-
新的 $\nabla$Mimic 方法可大幅缩短人形机器人控制训练时间
研究人员开发了一种名为 $\nabla$Mimic 的新方法,通过利用可微分模拟,显著提高了人形机器人控制的效率。该方法利用模拟器本身的精确梯度,克服了困扰传统方法的梯度爆炸等问题。通过实现中值相对每样本梯度裁剪和多步回归,$\nabla$Mimic 在复杂人形运动跟踪任务上取得了最先进的性能,而所需时间仅为现有方法的几分之一。相关的 NablaEngine 是一个可微分的 GPU 模拟引擎,通过比以前的工具更快地处理接触动力学和伴随…
-
Metatron 系统实现人形机器人的可提示全身控制
研究人员推出 Metatron,一种新颖的人形机器人全身执行层,它将生成式基础策略与可编程技能层相结合。该系统允许基于部分目标或提示生成多样化的运动,这些提示可以包括定时目标、速度命令和风格线索。Metatron 的基础策略在训练后被冻结,名为技能的状态化程序将任务意图转化为提示,从而无需重新训练策略即可开发新技能。这种方法已在物理 Unitree G1 机器人上演示了行走、拾取物体和坐下等任务,并在模拟中演示了攀爬和杂技。
-
新的REA运行时统一了具身智能体的快速和慢速策略
研究人员开发了REA,一个新颖的运行时环境,旨在将来自基础模型的高级推理与具身智能体的快速、反应式策略相结合。REA通过采用独特的异步协调系统,解决了当前方法的延迟和泛化问题。该系统利用路由内存和边界触发的裁判门,确保较慢的推理过程不会阻碍实时执行,同时还为故障提供有界的恢复机制。在包括模拟和真实世界场景在内的多个机器人任务和环境中的评估表明,与现有的单智能体基线相比,REA的成功率更高,控制开销更低。
-
人形机器人利用基于强化学习的行走和爬行技术在狭窄空间内导航
研究人员开发了REACH,一个新颖的强化学习框架,使Unitree G1人形机器人能够通过无缝切换双足行走和爬行来导航狭窄空间。该层次化系统允许机器人动态调整其高度,穿越低至0.20米的间隙。该框架集成了基于LiDAR的规划器用于路径生成,并利用历史条件潜在表示来管理复杂的爬行动力学和运动模式之间的转换。
-
ActiveAlign 框架利用主动感知弥合现实世界与模拟之间的差距
研究人员推出 ActiveAlign,一个旨在弥合现实世界机器人交互与其模拟对应物之间差距的新框架。该系统利用主动感知,模仿人类行为,以提高机器人操控任务模拟环境的准确性。ActiveAlign 包含两个关键模块:ActiveAlign-Waving 通过运动和渲染进行手眼校准,以及 ActiveAlign-Touching 使用触觉反馈进行精确物体对齐,达到毫米级精度。
-
新框架增强机器人导航决策的可解释性
研究人员开发了一个新的阶段感知归因框架,以提高视觉语言导航(VLN)模型的可解释性。该框架解决了证据在历史和当前观察以及不同指令阶段之间的分布问题,而现有方法忽略了这一点。实验表明,该方法提高了归因质量,并可作为分析失败案例的诊断工具,已成功应用于使用 Unitree G1 机器人的真实世界导航。
-
新框架HumanoidNDM弥合机器人训练-部署差距
研究人员开发了HumanoidNDM,一个旨在弥合人形机器人运动跟踪训练与实际部署之间差距的新型框架。该系统利用在欧几里得空间中训练的神经动力学模型,无需昂贵的动作捕捉系统。该框架包括一种用于高效数据收集的参考扰动方法,以及一个利用反向传播模型梯度实现高数据效率的策略微调阶段。在Unitree G1机器人上的物理验证表明,HumanoidNDM能够快速适应各种实际扰动。
-
人形机器人REACH学会狭窄空间爬行和行走
研究人员开发了REACH,一个基于强化学习的层次化框架,使Unitree G1人形机器人能够穿越狭窄空间。该系统允许机器人在双足行走和爬行之间切换,将其高度从1.27米调整到0.20米。REACH利用历史条件潜在表示进行爬行动力学建模,并采用双向转换策略在运动模式之间平滑切换,并与基于LiDAR的规划器集成以生成无碰撞路径。
-
ViT-H框架通过运动跟踪反馈实现从视频对人形机器人的控制
研究人员开发了ViT-H,一个使用视频输入控制人形机器人的新颖框架。该系统利用扩散模型直接从视频生成人形参考运动,绕过了中间的重建和重定向步骤。该框架结合了运动跟踪反馈来优化生成器,提高了生成运动的可执行性。在Unitree G1机器人上的实验表明,与现有方法相比,ViT-H在运动质量和可执行性方面表现更优。
-
HuGe 模型赋能人形机器人执行全身控制任务
研究人员开发了 HuGe,这是一系列新颖的视觉-语言-动作模型,专为人形机器人的全身控制而设计。这些模型在超过 2000 小时的人类和机器人以自我为中心的经验数据上进行了预训练,并结合了伪本体感觉和视觉适应技术,以弥合不同具身之间的差距。HuGe 在 HumanoidArena 模拟基准测试中展现了最先进的性能,并在 Unitree G1 机器人上的拾取和放置任务中提高了成功率,显示出在实际应用中的潜力。
-
Amap 开源 Lambda-0 人形模型,使用第一人称数据训练
高德控股有限公司(Amap)已开源其人形基础模型 Lambda-0。该模型使用了 500 小时的人类第一人称数据进行训练。Lambda-0 已证明能够对 Unitree G1 机器人进行零样本迁移。
-
新方法通过预测脚步来加速人形机器人训练
研究人员开发了一种新的人形机器人运动方法,显著提高了训练效率和泛化能力。通过使用一个轻量级的预测模型来预测未来的脚步,该系统仅在这些预测位置周围采样高程图,减少了冗余的数据输入。这种方法使感知系统能够预测机器人的脚步,从而在各种未见过的地形上实现更快的学习和更好的性能,甚至优于使用完整高程图或计算成本高昂的注意力机制的策略。
-
Menlo Research发布开源人形机器人Asimov 1,用于AI代理
Menlo Research开发了一款名为Asimov 1的开源人形机器人,旨在作为AI代理的物理载体。该项目旨在创建一个比专有模型更易于访问和维修的机器人平台,所有CAD设计、SDK和训练代码均公开提供。目标是通过促进一个能够构建和改进开源硬件和软件的社区来加速代理机器人技术的发展。
-
新框架使人形机器人能够与人类进行物理交互
研究人员开发了REACT框架,旨在使人形机器人能够与人类进行复杂的物理交互。该系统利用视觉语言模型(VLMs)来解释和转移人类演示中的语义接触信息到人形机器人,即使交互的部分被遮挡。通过从有限的自我中心视角预测伙伴运动,REACT旨在提高机器人在各种场景下保持交互和回忆接触的能力,并在Unitree G1人形机器人上进行了演示。
-
AI 记忆系统通过新工具和巩固研究取得进展
AI 记忆系统的最新进展突显了在实际应用和理论框架方面的进步。llama.cpp 项目发布了 b11806 版本,引入了对 prism.hadamard 折叠权重的支持,并支持各种平台构建。同时,研究论文正在探索 AI 代理的复杂记忆机制。一项题为“Memory before Goal”的研究为人形机器人引入了 WholeBodyMem,通过整合历史之前的物体事件记忆来提高任务成功率。另一篇关于“Retrieval-Augmented…