25年12月来自北京人形机器人创新中心和北大的论文“RoboMIND 2.0: A Multimodal, Bimanual Mobile Manipulation Dataset for Generalizable Embodied Intelligence”。尽管数据驱动的模仿学习已经彻底改变了机器人操作，但当前的方法仍然受到大规模、多样化真实世界演示数据匮乏的限制。因此，现有模型在长时程双臂

24年12月来自 UCSD、UCB、MIT 和 Nvidia的论文“ExBody2: Advanced Expressive Humanoid Whole-Body Control”。本文使现实世界的人形机器人能够在像人类一样做出富有表现的动作同时保持稳定性。提出高级富有表现的全身控制 (ExBody2)，一个泛化的全身跟踪框架，可以接受任何参考动作输入并控制人形机器人模仿动作。该模型在模拟中使用

25年7月来自南京大学、香港大学、中南大学、地平线机器人公司、中科院计算所、上海交大、慕尼黑工大和清华大学的论文“A Survey: Learning Embodied Intelligence from Physical Simulators and World Models”。对通用人工智能 (AGI) 的追求已将具身智能 (embodied intelligence) 置于机器人研究的前沿。

25年3月来自Nvidia、CMU、伯克利分校、德州奥斯丁分校和 UCSD 的论文“HOVER: Versatile Neural Whole-Body Controller for Humanoid Robots”。人形机器人的全身控制需要适应导航、移动操作和桌面操作等多种任务，每种任务都需要不同的控制模式。例如，导航依赖于根速度或位置跟踪，而桌面操作则优先考虑上半身关节角度跟踪。现有方法通常针

发表在ICL‘24来自华为法国诺亚实验室和伦敦研发中心的论文“A Call for Embodied AI”。和当今人工智能的进步（尤其是大语言模型）相比，具身人工智能 (E-AI) 是追求通用人工智能 (AGI) 的下一个基本步骤，本文遍历具身概念在不同领域（哲学、心理学、神经科学和机器人技术）的演变，强调 E-AI 如何区别于传统的静态学习范式。通过扩大 E-AI 的范围，引入一个基于认知架构

24年3月来自UCSD的论文“Expressive Whole-Body Control for Humanoid Robots”。能否使人形机器人在现实世界中做出丰富多样、富有表现的动作？在人形机器人上学习全身控制策略，尽可能真实地模仿人类动作。为了训练这样的策略，在强化学习框架中利用图形学社区的大规模人体动作捕捉数据。然而，由于自由度和人体能力的差距很大，直接使用动作捕捉数据集进行模仿学习，对

25年1月来自Georgia Tech、USC、德国 Tech U Munich、Google DeepMind、AI2、Florida IHMC、Duke U、Stanford、法国 CNRS LIRMM、法国 CNRS 和日本 AIST 联合实验室、加拿大 Simon Fraser U、Texas Austin、Nvidia、CMU 和哈工大的论文“Humanoid Locomotion an

25年2月来自上海AI实验室和香港中文大学的论文“HOMIE: Humanoid Loco-Manipulation with Isomorphic Exoskeleton Cockpit”。目前的人形遥操作系统要么缺乏可靠的低级控制策略，要么难以获取准确的全身控制命令，这使得遥操作人形机器人执行操控任务变得非常困难。为了解决这些问题，HOMIE，一种人形遥操作驾驶舱，它集成人形操控策略和低成本外

24年2月来自曲阜师范、华东师大和哈工大的论文“Vision-Language Navigation with Embodied Intelligence: A Survey”。作为人工智能领域的长期愿景，具身智能的核心目标是提升智体与环境的感知、理解和交互能力。视觉-语言导航（VLN）作为实现具身智能的重要研究路径，致力于探索智体如何利用自然语言与人进行有效沟通，接收并理解指令，并最终依靠视觉信

20年10月来自东京大学的论文“Bilateral humanoid teleoperation system using whole-body exoskeleton cockpit TABLIS”。