人形机器人做搬箱这类全身操作，通常要采集全身人体动作轨迹或依赖腕部力传感器。FORGE把控制指令分成速度导航、落脚点、腕部位姿和可选力指令四档，训练时不需要全身人体动作参考，部署时只用骨盆坐标系下的双腕位姿和粗指令；它用动量观测器加学习修正，从关节状态和重建的PD力矩估计腕部等效力，无需腕部力/力矩传感器。在四档负载的蹲起搬箱任务上，同一套扩散策略加FORGE在空载和0.5公斤各20次试验中全部成功，1公斤和2公斤各成功18次。
人形机器人推车、搬箱、擦桌子这类活，光跟踪手的运动轨迹不够，还得控制接触力。FLoRe把力做成示教、策略与全身控制之间的共享接口：两只带六轴力/力矩传感器的手持夹爪在无机器人条件下同时记录手部运动与接触力旋量，扩散策略据此预测每只手的力指令，全身控制器再用实测力误差的积分去跟踪它。在Unitree G1的三项接触密集任务上，力反应策略成功率为80%，同一批示教训练、同一控制器执行的位置策略为26.7%。
InterEvolve 提出一种测试时进化框架：用一个物体感知的前向-后向（FB）行为基础模型执行奖励程序，由 LLM 智能体在上下文中修改程序结构、CMA-ES 调节其常数，并在并行仿真场景中验证每个候选，从而让固定的人形控制器无需再训练即可完成未训练过的 loco-manipulation 任务，在八个任务族上把宏平均成功率从最佳校准固定程序的 34.6% 提升到 86.5%，并把进化出的技能部署到实体 Unitree G1 上。
该工作系统评测 GPT-6 Astra 在夹爪操作、灵巧操作、移动操作、导航、运动与类人全身操作六个领域的具身策略能力，比较直接控制与配合学习策略或全身控制器的混合控制，发现导航表现领先（RxR 指令跟随 92%、HM3D 物体搜索 82%），混合控制在 RoboDojo 达 48%、DexJoCo 达 50%、RoboCasa365 达 38.7%，而直接手内控制与密集参考运动仍不可靠，并记录了显著的 token 消耗与推理延迟。
已读完全部报道