上海开普勒机器人有限公司完成了人形机器人K2“大黄蜂”的步态升级，发布了“混合架构抗扰动”步态视频。K2在复杂地形中保持稳定步伐，并通过VLA+模型理解自然语言指令。其混动架构结合滚柱丝杠和旋转执行器，确保高负载下的精确控制，提升行走自然性和灵活性。
在北京亦庄举行的首届机器人半程马拉松中，天工Ultra夺冠，多个机器人参赛。赛事规则不断调整，导致许多机器人未能完成全程。松延动力的小顽童表现优异，展现了良好的步态控制。此次比赛引发了对机器人产业的关注，尽管存在争议，但参与本身具有重要意义。
本研究解决了强化学习在每项新技能学习中需大量数据收集的挑战。通过提出一种可转移的潜在到潜在运动策略的潜在训练框架，结合任务特定的观察编码器和动作解码器，提高了各种机器人在新任务上的适应效率。实验表明，该方法有效地将预训练的策略推广到新机器人和新任务，从而显著提高了适应性和效率。
本文概述了机器学习在步态和运动生物力学中的应用，重点讨论了数据可用性和可解释性等局限性，并强调了跨学科方法的重要性。
深圳众擎机器人推出的人形机器人SE01在海外引发关注，具备接近人类的步态和运动能力，成本控制在10万元以内，预计两个月后商用。该机器人可进行俯卧撑等动作，采用自研电机和开源算法，团队成员多来自小鹏机器人。
本研究提出了 J-Net 深度学习模型，旨在解决神经退行性疾病患者在不自主运动情况下的步态检测难题。通过自监督预训练和微调，该模型显著提升了步态检测的准确性，为相关研究提供了新资源。
本研究提出了GainAdaptor自适应增益控制框架，以解决四足机器人在多变地形下的适应性和能效问题。该框架通过双重行为者算法动态调节关节PD增益，实现稳定且节能的步态，实验结果显示在多种地形上有显著改善。
本研究开发了一种框架，通过合成数据生成器和对抗模仿学习，创建适应不同步态速度的骨骼人形代理。研究结果表明，该代理在真实步态运动中的准确性显著，均方根误差为5.24 ± 0.09度，推动了数字双胞胎的开发及相关应用。
本研究提出了一种基于RGB视频和2D姿态估计的步态分析方法，克服了现有技术的局限性，通过关节角度分析，提高了临床决策的客观性和准确性。
本研究提出FOGSense系统，旨在非控制环境下检测帕金森病患者的冻结步态（FOG）。该系统利用Gramian角场变换和联邦深度学习，准确性比传统方法提高10.4%，并在长期监测中展现出良好的适应性和鲁棒性。
本研究解决了多发性硬化症（MS）步态评估工具缺乏的问题，提出了一种基于单位四元数时间序列（QTS）的方法来表征步态。研究的关键贡献是建立了一种将QTS数据转化为合成数据框架，并提出了一种基于最近邻加权的合成数据生成方法，能够在小样本和私有数据环境下高保真地产生步态数据，显示了良好的数据几何特性保留能力。
本研究提出了一种新型自监督和运动增强自编码器MA²，旨在解决现有步态基础自动疾病检测方法的不足。该方法利用多头自注意力机制提升模型准确性，在有限样本上实现了90.91%的准确率，并在帕金森病数据集上展现出78.57%的推广能力。
临床步态分析（CGA）是人工智能的新兴领域，面临数据和任务目标的挑战。本文介绍了步态分析的方法和数据集，并推出了包含1874个步态序列的步态异常视频数据集（GAVD）。使用预训练模型对GAVD进行异常检测，准确率分别为94%和92%。
本研究针对传统RGB相机在不同光照条件下的局限性，提出了一种稀疏到密集步态点云上采样模型（LidarGSU），旨在提升激光雷达步态识别的泛化能力。通过利用扩散概率模型（DPMs），我们创造性地实现了在稀疏步态点云上进行视频到视频的转化，从而提高识别性能。研究结果表明，该方法在低分辨率传感器捕获的真实世界数据集中具有良好的应用前景。
本研究针对步态识别中的2D表示能力限制，提出了一种基于激光雷达的3D步态特征识别新方法HorGait。该方法结合Transformer架构和混合模型结构LHM Block，实现了输入适应和高阶空间交互，显著提升了在复杂环境下的识别精度。实验结果表明，HorGait在SUSTech1K数据集上实现了最先进的性能，为Transformer架构在步态识别中的应用提供了新视角。
本研究提出了一种名为SpheriGait的方法，用于解决基于LiDAR的步态识别中提取3D动态特征的问题。该方法通过球面投影替代传统的点云平面投影，增强了动态特征的感知。实验证明，该方法在SUSTech1K数据集上达到了最先进的性能，并验证了球面投影可以作为提升其他LiDAR步态识别方法性能的通用数据预处理技术。
通过从动物运动控制中获得灵感，研究人员开发了一种有效的单个运动策略，可以控制多样的四足机器人。该策略通过调节中央模式发生器（CPG）的频率和振幅来产生节奏输出，并将其映射到模式形成（PF）层，以适应不同机器人的步幅高度和长度。研究人员还在Unitree Go1和A1机器人上测试了该策略的模拟到实际转移性能，即使在增加125%负载的情况下，仍然表现良好。
本研究提出了URMA框架，通过多任务强化学习实现对腿部机器人形态的灵活控制，并在新型机器人平台上进行快速转移。实验结果表明，URMA在多样形态上学习的步态策略具有良好的迁移效果，对未来腿部机器人步态控制具有重要潜在影响。
牛津大学的研究人员发表了一篇论文，介绍了一种利用降低光学相干性来增强光子卷积处理的方法。他们展示了使用降低时间相干性的光子卷积处理系统，可以提高处理并行性，并实现大规模光子张量核。研究人员在两个光子平台上展示了部分相干处理的广泛适用性。光计算芯片具有高并行度、高能效比和高速度的特点，适用于人工智能等领域。然而，实现大规模光计算芯片仍然是一个难题。研究人员通过降低光源的品质，消除相位噪声问题，并提高系统算力和带宽利用率。这项新技术有望将光芯片算力提升两个数量级，并降低系统能耗。
本文介绍了一个轻量级框架，用于学习单一行走控制器在多种地形上实现行走。该框架基于扩散模型的实时机器人控制器，具有良好的泛化能力。与在线学习相比，该控制器通过离线数据进行学习，具有更好的可扩展性和简单性。在仿真中展示了该控制器在双足机器人模型上的优势。
完成下面两步后，将自动完成登录并继续当前操作。
