IROS 2026最佳移动操作论文候选：ULTRA让人形机器人根据目标行动

把一个箱子从地上搬到指定位置，对人来说，是一件普通的小事。对人形机器人来说，却是一道全身协作题。

走近时要调整站位，下蹲时要保持平衡，双手接触箱子后要稳稳托住，起身和移动时还要协调双腿、躯干与手臂。任何一个环节出错，都可能让箱子滑落，甚至让机器人失去平衡。

一种办法是提前准备好完整的参考动作，让机器人逐帧跟踪。但如果只给出箱子的目标位置，中间的动作该如何产生？

能不能用同一个控制器，既在有参考动作时精确跟踪，也在没有参考动作时，根据感知和任务目标完成操作？

这正是 ULTRA 想解决的问题。

视频链接：https://mp.weixin.qq.com/s/0aqo_Rg7VpptQHsRbFs8jg

我们提出了 ULTRA（Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation），并在 Unitree G1 人形机器人上进行了验证。该工作已被 IROS 2026 接收，并入选 IROS 2026 Mobile Manipulation Paper Award 候选论文。

视频链接：https://mp.weixin.qq.com/s/0aqo_Rg7VpptQHsRbFs8jg

一个控制器，接受不同「详细程度」的指令

我们先区分两种控制需求。

动作跟踪提供一套逐帧参考：身体怎么动、物体如何移动，都有明确的轨迹。机器人要尽量准确地复现这些动作。

目标驱动控制则只规定希望达到的结果，例如物体的目标位置与朝向，把中间动作留给控制器生成。这就是「稀疏目标」：它没有逐帧规定机器人怎样迈步、弯腰和抬手。

ULTRA 将这些需求放进同一个控制框架：这些能力由同一组策略参数实现。 控制器还可以使用不同的感知输入，包括外部动作捕捉系统提供的物体状态，以及机器人自身深度相机获得的信息。

这里的「自主」，具体指在给定目标和可用感知的条件下生成动作。目标仍需外部提供，而机器人不再需要别人提前规定每一帧应该怎么动。

人的动作不能「复制粘贴」，先让训练数据符合物理

这些全身协作能力从哪里来？一个重要来源是人体运动捕捉数据。

但人和机器人的身体比例、关节结构不同。同样一个搬箱子的动作，直接映射到机器人身上，可能出现手够不到箱子、脚底打滑，或接触关系不合理的问题。姿态看起来相似，并不代表动作能稳定执行。

ULTRA 为此引入了物理驱动的神经动作重定向

可以把它理解为：让机器人在物理仿真中学习如何「用自己的身体」完成示范中的动作。通过强化学习，重定向策略在尽量保留人体动作与操作意图的同时，考虑动力学和接触约束，生成在仿真中可执行的机器人轨迹。

训练完成后，同一个重定向策略可以处理新的动作，并通过调整运动范围和物体尺寸扩充数据，无需为每条新轨迹重新训练一套策略。

这样，人体动作就转化为后续控制策略可以学习的训练材料。

下面的视频可以重点观察：同一个人体动作如何转化为机器人的全身运动，以及物体尺寸和运动范围变化后，手、脚与物体之间的配合如何调整。

视频链接：https://mp.weixin.qq.com/s/0aqo_Rg7VpptQHsRbFs8jg

从「会跟踪」到「会完成目标」，还需要两步学习

有了机器人动作轨迹，接下来要训练能在不同输入条件下工作的控制器。

第一步，通过教师策略传递控制能力。

训练时，我们先训练一个「教师策略」读取完整仿真状态和参考动作，学习如何协调身体、维持接触并完成操作。随后，通过策略蒸馏，将这些能力传递给面向实际部署的「学生策略」。

学生需要适应不同的信息组合：有时有完整参考，有时只有部分目标；有时能获得精确的物体状态，有时只能使用第一视角感知。

为此，ULTRA 使用输入可用性掩码。它像一张信息清单，告诉策略这一次哪些输入可用，让同一个模型根据现有信息生成动作。

第二步，通过强化学习微调，提高处理偏差的能力。

学会模仿之后，策略还需要面对示范之外的情况：初始位置有所变化，目标出现在新的位置，或执行过程产生偏差。

ULTRA 因此进一步在仿真中进行强化学习微调，让策略通过尝试和任务反馈，学习如何调整动作、接近目标。训练关注的范围也由复现参考动作，扩展到给定目标后的实际完成情况。

用机器人自己的视角，完成全身操作

控制之外，还有一个实际问题：机器人如何知道箱子在哪里？

在实验室里，外部动作捕捉系统可以提供精确的物体位置。但要走向更广泛的使用场景，机器人还需要利用自身传感器理解眼前环境。

ULTRA 支持第一视角深度感知：从深度图中提取物体点云，也就是用一组空间点描述物体的形状和位置，再将其提供给控制策略。机器人结合关节状态、身体姿态等本体感知，以及给定的任务目标，协调全身动作。

我们在 G1 上测试了完整动作跟踪、细粒度控制、较远期目标跟随，以及基于第一视角深度感知的目标驱动控制。使用第一视角点云输入时，我们发现强化学习微调将大幅提高成功次数。

把「中间怎么动」，交给控制器

人体运动数据提供了丰富的全身动作经验。ULTRA 尝试把这些经验转化为更灵活的控制能力，让一套策略能够接受不同详细程度的任务指令，并利用不同来源的感知信息行动。

从跟踪一条预先给定的轨迹，到在给定目标后生成动作，人形机器人需要跨过数据、控制与感知之间的多重障碍。ULTRA 展示了将这些环节连接起来的一条可行路径。

当人只需要指定希望达到的结果，机器人就必须学会补上「中间怎么动」。这正是 ULTRA 向前推进的一步。

论文

• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body
• Loco-Manipulation
• 论文链接: https://arxiv.org/abs/2603.03279
• 项目主页: https://ultra-humanoid.github.io/

作者

• 何夏麟现为 UIUC 计算机科学博士生，本科毕业于上海交通大学 ACM 班。研究聚焦机器人学习与具身智能，主要关注人形机器人的全身控制、自主移动操作与 sim-to-real。相关工作发表于 RSS、CoRL、IROS 等会议，并入围最佳论文奖评选。
• 徐思睿现为 UIUC 计算机科学博士生，本科毕业于北京大学。研究聚焦具身智能与物理仿真，致力于让机器人理解、学习并掌握物理交互。以第一作者在 CVPR、NeurIPS、CoRL 等会议发表论文，多项工作入选 Oral、Spotlight 和 Highlight，并获研讨会奖项，入围最佳论文奖。