待验证50% 置信事实精确时间
Pilot 论文提出面向非结构化场景下人形机器人 Local Manipulation 的统一单阶段强化学习框架，包含跨模态上下文编码器与 MoE 策略架构，实验在仿真环境与 29 自由度 Unitree G1 实体机器人上进行，论文称其在稳定性、指令跟踪与地形通过性上均优于基线方法。
1
来源数
50%
置信度
长期有效
时效性
2026/10/14
首次发现
来源
涉及实体
相关事实
待验证强化学习让机器人能在仿真环境中通过数百万次试错学习出鲁棒平衡策略，并通过sim-to-real迁移技术部署到实体机器人上74% 相似待验证MEgoVista 类方法论证了不必要求人类改变行为、而是让重建算法去适应遮挡这一路径的可行性，该思路适用于任何涉及手物交互的机器人学习任务。72% 相似待验证传统机器人栈将感知、规划、控制拆分为独立模块，各环节误差会在长时程任务中逐级放大；World Action Models 试图用统一预测框架让机器人「一边想象未来，一边生成动作」。71% 相似待验证该自适应框架在两种不同的人形机器人平台上得到验证70% 相似待验证四足机器人动态平衡的主流方案包括基于模型预测控制（MPC）的规划算法和强化学习训练出的神经网络控制器70% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1029789API
curl https://kongchang.com/api/v1/knowledge/claims/1029789MCP
get_claim(id=1029789)