本文提出BifrostUMI框架，通过低成本VR-UMI接口采集人类全身演示数据，并采用分层控制策略实现人形机器人全身技能迁移。系统包含：1）无机器人数据采集系统，记录人类关键点轨迹和腕部视觉；2）高层扩散策略预测5个关键点相对位姿；3）空间关键点重定向模块（SKR）处理体型差异；4）底层全身控制器执行运动。实验在Unitree G1机器人上验证了取放和垃圾处理任务的有效性。相比现有方法，Bifr

skrl是一款新兴的开源强化学习库，专注于可读性、模块化和透明性。它解决了现有RL库在模块化、可读性、新仿真平台支持等方面的不足，采用七大独立组件设计，支持OpenAI Gym、Isaac Gym等环境。其独特优势包括原生支持Isaac Gym全版本、创新的范围并行训练机制（允许多智能体同步对比和共享经验池），以及不预设策略类的高度灵活性。性能测试显示其训练效率与主流库相当，在机器人仿真领域尤其突

本文提出了一种创新方法，通过将推理延迟的模拟过程前置到训练阶段，解决了大型视觉-语言-动作模型（VLA）在机器人实时控制中的延迟问题。该方法通过修改训练数据的构造方式（差异化时间步嵌入、真值注入和掩码损失函数），使模型在训练时就能学会处理延迟，从而在推理阶段无需额外计算开销。实验表明，该方法不仅显著降低了端到端延迟（从135ms降至108ms），还提高了高延迟场景下的鲁棒性。尽管存在灵活性受限等局

本文提出了一种创新方法，通过将推理延迟的模拟过程前置到训练阶段，解决了大型视觉-语言-动作模型（VLA）在机器人实时控制中的延迟问题。该方法通过修改训练数据的构造方式（差异化时间步嵌入、真值注入和掩码损失函数），使模型在训练时就能学会处理延迟，从而在推理阶段无需额外计算开销。实验表明，该方法不仅显著降低了端到端延迟（从135ms降至108ms），还提高了高延迟场景下的鲁棒性。尽管存在灵活性受限等局

本文提出了一种创新方法，通过将推理延迟的模拟过程前置到训练阶段，解决了大型视觉-语言-动作模型（VLA）在机器人实时控制中的延迟问题。该方法通过修改训练数据的构造方式（差异化时间步嵌入、真值注入和掩码损失函数），使模型在训练时就能学会处理延迟，从而在推理阶段无需额外计算开销。实验表明，该方法不仅显著降低了端到端延迟（从135ms降至108ms），还提高了高延迟场景下的鲁棒性。尽管存在灵活性受限等局

对于任何致力于把人形机器人从仿真推向现实的研究者或工程师，AGILE不仅提供了代码，更提供了一套成熟的、经过实战检验的工程范式。

Motion Planning Diffusion (MPD)是一个创新且强大的机器人运动规划框架。它巧妙地将扩散模型的强大生成能力与基于梯度的优化相结合，通过 B-样条实现了高效、平滑的轨迹表示。实验证明，MPD 不仅能从先验数据中学习多模态的轨迹分布，还能在规划时通过成本引导，灵活、高效地适应新障碍物等任务变化，生成高质量的无碰撞轨迹。该方法在模拟和真实世界的多项任务中均表现出优越性，为“学习

摘要： 本文综述了深度学习在机器人操作臂运动规划中的应用，探讨构建通用神经运动规划器的挑战与路径。论文系统分析了MLP、CNN、Transformer等架构如何优化经典规划算法的采样、导向和碰撞检测模块，指出当前神经规划器面临泛化性差、数据稀缺、安全无保证等核心问题。通过案例（如MPNet、扩散模型）展示了神经网络在提升规划效率（10倍加速）和端到端学习方面的潜力，并提出建立大规模数据集、结合基础

摘要： 研究团队提出 MOSAIC 系统，解决人形机器人仿真与真实场景的运动跟踪差异问题。传统强化学习策略在仿真中表现优异，但部署到真实机器人时因接口延迟、噪声等问题频繁失败。MOSAIC 的核心创新是通用运动策略+轻量残差适配器：先在大规模多源运动数据（64小时）训练通用策略，再用少量真实遥操作数据（30分钟）训练残差模块，实现快速接口适配。实验表明，该系统在Unitree G1机器人上支持离线

Pink是一个基于二次规划(QP)的Python逆运动学(IK)求解库，专为解决机器人多任务运动规划问题而设计。该库由法国学者Stéphane Caron开发，基于Pinocchio动力学库构建，通过加权任务方法处理多个冲突目标（如末端定位与平衡保持）。Pink将复杂IK问题转化为QP形式，支持多种求解器，并正确实现了李群上的位姿误差计算。主要功能包括FrameTask（末端位姿跟踪）和Postu