ETH Zurich 新 AI 控制器让 Unitree G1 人形机器人自主攀爬与越障

完整中文导读

ETH Zurich 研究者提出一套基于单一神经网络控制策略的 AI 控制系统，在 Unitree G1 人形机器人上实现爬楼梯和梯子、翻越障碍、走踏脚石、爬行以及跌倒后恢复。

中文整理

作者 / 来源：Nick Bild · 原文时间：2026年11月2日 22:39（北京时间）

原作者信息要点

文章介绍，苏黎世联邦理工学院（ETH Zurich）的研究人员开发了一套基于人工智能的控制系统，使 Unitree G1 人形机器人能够完成爬楼梯、爬梯子、翻越障碍、踩踏脚石、在平台上爬行以及跌倒后恢复等任务，并且这些能力由单一神经网络控制策略实现，而非为每项任务分别配置控制器。

作者称，该研究已在一篇近期论文中详细说明。系统不依赖预先编程的动作序列，而是学习身体应在何处、以何种方式与周围环境接触，再据此生成所需动作。

作者指出，人形机器人运动控制通常依赖强化学习或动作模仿：强化学习通过试错发现有效行为，但训练复杂全身动作较困难；动作模仿利用人类演示生成更自然的动作，但这类动作未必能迁移到陌生环境。研究团队通过“基于注意力的接触规划”技术结合两者优势。

该系统不预测每个关节的运动，而是为手、肘、膝、足、骨盆等九个身体部位识别合适的接触点，再由另一个控制器协调机器人23个驱动自由度执行这些规划。

训练分为三个阶段：首先从适配其机械结构的人类运动数据中学习协调动作；其次，基于注意力的神经网络根据地形观测、机器人物理状态和目的地预测有用的接触位置；最后通过强化学习在陌生地形上细化能力。

运行时，机载激光雷达传感器提供地形信息，可识别梯子横档等小尺寸特征。接触规划器和全身控制器均以50 Hz运行，持续调整动作。

作者称，在仿真中，新系统在八个高难度障碍赛道上取得92.5%的成功率，对比的运动生成方法为58.8%。真实世界演示还显示，机器人能从跳跃失败、起身失败和爬梯卡住等状态中恢复。作者强调，这些行为源自单一通用控制器，而非分别编程的技能集合。

作者也提到系统仍存在局限，包括主要关注局部导航和基于地形的交互，但认为这是迈向应对外界不可预测环境的人形机器人的有希望一步。

本站整理与观察

本站整理：上述成功率、控制器频率、身体部位数量、自由度数量及对比方法数据均来自原作者陈述，本站未独立验证。

本站观察：材料将“单一通用控制器”与“分别编程的技能集合”作为核心区别，但未说明真实世界测试的样本量、成功率或任务覆盖范围，因此仿真结果与真实环境表现之间的关系尚无法判断。

本站观察：材料提到系统聚焦局部导航和地形交互，这意味着其能力边界可能主要在机器人周边可感知地形内，材料未涉及长距离路径规划或动态障碍物等场景。

本整理仅依据提供的文章材料，未查阅原论文或独立验证实验数据。文中92.5%、58.8%、50 Hz、九个身体部位、23个自由度等数字均转述自原作者。材料未提供真实世界测试的量化结果、训练数据规模、硬件配置细节及与更多基线方法的比较，本站观察仅为基于文本的推论。