近年来，人形机器人凭借其强大的环境适应能力和类人特性，在学术界和工业界引发广泛关注。随着强化学习技术的快速发展，人形机器人行走控制领域已取得显著进展。然而，现有方法在应对复杂环境和不规则地形时仍面临挑战。

本文提出了一种创新的两阶段感知运动框架D-PPO，该框架结合了在完全可观测马尔可夫决策过程（MDP）中学习到的教师策略的优势，用于规范和监督学生策略；同时利用强化学习的特性，确保学生策略能够在POMDP中持续学习，从而提升模型的性能上限。实验结果表明，两阶段训练框架在模拟环境中实现了更高的训练效率和稳定性，同时在现实应用中展现出更强的鲁棒性和泛化能力。

为解决现有远程操作技术仅支持单向机器人控制，无法实现机器人状态与远程操控硬件的实时同步等问题，提升人机协作实现灵活操作执行能力。

本研究提出HACTS（人机协同远程操控系统），在机械臂与远程操控硬件之间建立双向实时联合同步机制，实现双向实时同步。这种类似自动驾驶汽车方向盘的反馈机制，使人类协同操作员既能无缝介入，又能收集动作修正数据用于后续学习。并且HACTS系统仅采用3D打印组件和低成本现成电机，既经济实惠又具备扩展性。实验表明，HACTS显著提升了仿生学习（IL）和强化学习（RL）任务的性能，增强了IL的恢复能力与数据效率，既能确保操作过程的平稳过渡和更可靠的干预效果，又能兼容多种类型的机器人，显著提升人机协作和数据收集的效率。

环境感知是执行复杂任务的基础，而导航仍是类人机器人领域的核心难题。尽管自动驾驶、无人机等领域在环境感知导航等方面已取得显著进展，然而人形机器人独特的结构特征带来了运动学干扰、数据稀缺、表征能力有限等挑战限制其在真实环境中的有效部署。

本文提出 “人形机器人占用感知（Humanoid Occupancy）” 系统 ，采用标准的三阶段视觉系统架构，涵盖硬件设计、数据集构建与多模态融合网络，为类人机器人提供统一、高效且信息丰富的环境感知能力。针对人形机器人，提出创新性的传感器布局策略，有效减少结构干扰导致的感知盲区；构建首个专为类人机器人设计的全景占用数据集，为未来研究与应用提供宝贵基准；最终在 “具身天工（Tienkung）” 人形机器人平台上完成系统集成与测试，实验结果表明其在复杂环境中具有优异的环境感知与导航性能。

近年来，随着多模态大型语言模型（MLLMs）的快速发展，视觉语言动作模型（VLAMs）应运而生，旨在提升机器人操作任务在开放词汇场景下的性能表现。由于操作任务需要与物理世界直接交互，确保任务执行过程中的鲁棒性和安全性始终是关键挑战。

本文通过整合当前MLLMs的安全研究与物理世界操作任务的具体应用场景，对VLAMs在潜在物理威胁下的表现进行全面评估，提出“物理漏洞评估管道”（PVEP），可对所有现有及未见视觉语言模型(VLAM)的视觉模态物理安全进行评估，其中PEVP涵盖的物理威胁包括分布式外攻击、基于排版的视觉提示共计以及对抗性补丁攻击，通过对比攻击前后的性能波动，我们系统分析了VLAMs对不同物理威胁的响应规律，为通用化分析提供了理论依据。

尽管近期视觉-语言-动作（VLA）模型在多任务学习和指令遵循方面取得显著进展，但这些模型通常基于静态任务意图进行设计，无法在执行过程中实时响应新指令。

本文提出SwitchVLA，是统一且具备执行感知能力的框架，采用创新的训练范式和架构，无需依赖额外切换数据即可实现流畅且反应灵敏的任务切换。通过将专家演示划分为基于时间的接触阶段，策略能够推断任务进度并相应调整行为，随后训练多行为条件策略，通过条件轨迹建模在不同行为模式下生成灵活的动作片段。在模拟和真实机器人操作实验中，SwitchVLA展现出强大的指令遵循能力、流畅的任务切换能力和出色的泛化性能——在任务成功率和交互自然度方面均优于先前的VLA基线模型。

机器人学习日益依赖仿真技术来提升灵巧操作和精准交互等复杂能力，这需要高质量数字资产来弥合仿真与现实之间的鸿沟。然而，现有用于仿真的开源关节物体数据集存在视觉逼真度不足和物理保真度低的缺陷，导致其难以满足现实世界机器人任务训练需求。

为解决这些问题，本研究推出ArtVIP——包含高质量数字孪生关节物体及室内场景资产的综合性开源数据集。该数据集由遵循统一标准的专业3D建模师打造，通过精确的几何网格和高分辨率纹理确保视觉逼真度，同时通过精细调整的动态参数实现物理保真度。此外，该数据集开创性地在资产中嵌入模块化交互行为，并提供像素级操作能力标注。通过采用功能图可视化和光学运动捕捉技术，定量验证ArtVIP在视觉和物理逼真度方面的表现，其适用性已在模仿学习和强化学习实验中得到验证。