还得是大学生会玩啊（doge）！专业配资炒股
网上正高速冲浪中，结果意外发现：有男大竟找了个机器人队友？而且机器人还相当黏人（bushi~
白天超市打工它要跟着，一看东西装好就立马乐颠颠帮忙拉小推车，上楼下楼忙个不停：
等到中午去食堂兼职，它也自告奋勇帮忙推餐车，而且指哪打哪（拍拍头就知道你想让它停下）：
甚至，一天劳作结束后，连健身它也要一起。既然来都来了，男大表示：那就练起来！
笑死，感觉可以以机器人视角去拍 vlog 了，标题就叫《高能量之机器人的一天》。
言归正传，不知道大家发现没有，图中男大和机器人伙伴的交流都是通过拍拍头、拉拉身体搞定的，既没有遥控、也没有语音。
这就有点东西了！要知道目前绝大多数机器人都是靠外部传感器（摄像头、激光雷达等）和遥控驱动的，而这群男大竟提出了一种全新的方式——仅通过"本体感知（Proprioception）"就能和外界交互。
好好好，搞半天人家这还是个技术含量很高的正经研究，而且连论文都有。
速去扒了一扒，结果发现里面还真有不少好东西、新东西——
强化学习新方法：仅依赖本体感知搬运各种物体
先说说他们想解决什么问题吧。
在"人机协作搬东西"这一核心场景中，相关技术已在机械臂上验证充分，但在人形机器人领域仍探索不足。
这主要是因为人形机器人复杂的"全身动力学" ——相比机械臂仅需控制局部关节，人形机器人需要协调躯干、四肢等多个部位，且运动过程极易受自身平衡、环境接触等多因素影响。
于是，他们设定了一个大胆的目标：实现人形机器人与人类完美协作搬运各种东西。
为此，他们在论文中提出了一种全新的强化学习方法 COLA ——不依赖摄像头、激光雷达等外部传感器，机器人仅通过"本体感知（Proprioception）"就能和外界进行交互。
具体而言，COLA 的设计思路可以拆解为以下 3 点：
让机器人学会"眼里有活儿"
第一点就是教会机器人如何"眼里有活"。
想象你正在和机器人一起搬柜子。传统机器人往往比较呆板——需要分别设计"机器人主导（领导者）" 和"人类主导（跟随者）" 两种独立策略，切换时容易卡顿。
而 COLA 将这两种情况整合到一个统一策略中：
当你发力稳定、方向明确时，机器人就化身"跟随者"，配合你的动作。
当你犹豫或柜子有倾斜风险时，它会立刻切换成"主导者"，主动调整动作稳住平衡。
无需任何人工干预或额外指令，机器人自己就能实现两种角色的丝滑切换。
不信你瞅，它现在搬东西上斜坡也不在话下：
在动态实战中训练
此外，为了让 COLA 能应对真实世界的混乱，它的训练场是一个高度动态的闭环环境。
一方面，为避免模型仅在固定轨迹搬运中有效，他们在训练时模拟了各种突发状况，例如人类突然转向、物体重量分布变化、手部打滑……主打一个实战演练。
另一方面，训练过程中会逐渐形成一个闭环——机器人的动作会实时反馈给环境（如物体位置变化），环境变化又反过来影响机器人的决策（如物体倾斜后机器人需调整力度），形成"决策 - 反馈 - 再决策"的循环，就像真实搬运中持续的"你拉我推"。
点击就看人机反复推拉之术（手动狗头）：
仅依赖 "本体感知"，无需外部传感器
"岗前培训"结束后，接下来真进入实战环节了。
前面也反复提到，COLA 的关键优势之一是"不依赖外部传感器"，仅通过机器人的"本体感知"就能接收获取信息。
所谓"本体感受"是指机器人自身的内置感知数据，比如关节角度、肌肉执行器的力度反馈、自身的位置 / 速度信息等。采用这种设计，机器人这下不仅能免受外部环境干扰（如光线昏暗影响摄像头），而且交互方式也大变样了。
很直观的一点就是，一直以来广受吐槽的遥控这下真没了。
搬箱子一人一机就能搞定：
之所以能抛弃传感器，这主要得益于关键两步：
残差教师微调：先让机器人学会稳定的运动策略，然后引入一个残差教师模型，专门学习在搬运协作中需要做出的额外调整（如何打配合），最终将两者结合微调出一个完整的协作策略；
仿真训练与知识蒸馏：上述过程全部在仿真环境中完成，可以快速、安全地模拟数百万次训练。训练出强大的"教师"后，再通过知识蒸馏技术，将其能力迁移到一个更轻便、更适合在实体机器人上运行的"学生策略"中。
正是这个精巧的设计，让它彻底告别了传感器。 因为在整个过程中，无论是基础的运动能力，还是高级的协作技巧，模型学习和决策的全部依据，都来自于机器人的本体感知数据。
而且值得一提的是，这种设计也降低了硬件成本和系统复杂度，毕竟现在无需耗费时间金钱在外部传感器的采购和软硬件集成上了。
整体而言，COLA 的终极目标不是去"猜"人类具体在想什么，而是通过本体感知数据"隐式预测（Implicitly Predict）"两个关键信息：
物体的运动趋势（会不会翻？要往哪倒？）
人类的协作意图（他想转弯吗？需要我多出力吗？）
最终，以"维持负载平衡"为核心指标，整个过程通过协调的轨迹规划来实现安全、顺滑的人机协作。
仿真 / 真实世界 / 人类用户实验，均验证了 COLA 的有效性
更多实验也验证了 COLA 设计的有效性。
在仿真实验中，通过可控虚拟环境，他们想精确测量 COLA 对人类 effort（指用力大小、肌肉疲劳度）和物体稳定性的影响。
结果发现，不管是运动的精准度（线速度、角速度、高度误差），还是减轻人类搬运时的负担（平均外力），COLA 系列都比之前的显式目标估计、Transformer 方法强很多。
而且其中以"领导者"思路设计的 COLA-L 比"跟随者" COLA-F 表现更突出，能更好地帮人类分担负载、保持稳定。
在真实世界中，面向不同类型物体（如规则形状的箱子、柔性物体担架等）和不同运动模式（如直线走、转弯等），他们还测试了 COLA 的泛化性。
结果发现，COLA 在所有测试场景中均实现了"稳健的协作搬运"，相关定量结果如下：
除此之外，他们还找来了 23 名人类参与者，让他们分别体验与" COLA 控制的机器人"和"其他基线方法控制的机器人"进行协作，然后通过问卷和动作传感器来收集主客观感受。
结果显示，COLA 方法在参与者的评估中表现最好，无论是在高度跟踪还是平滑性方面都拿到了最高分。
"人机协作新范式"中国团队造
最后再来看看 COLA 背后的团队，成员清一色来自国内。
三位同等贡献作者均来自北京通用人工智能研究院：
Yushi Du，目前是香港大学电机及电子工程系刚入学新生，由于个人相对低调所以网上资料很少。
Yixuan Li，北京理工大学计算机科学与技术学院博士生。
从已发表的论文来看，他对人形机器人、3D 场景理解与导航、以及人机协作等领域感兴趣。
Baoxiong Jia（兼通讯作者），北京通用人工智能研究院研究科学家。
本科毕业于北京大学，后获得加州大学洛杉矶分校硕博学位，对计算机视觉、AI 和认知科学的交叉领域尤为感兴趣。
光是今年他就有多篇论文入选顶会，最新一篇关于统一力与位置控制的新论文就被 CoRL 2025 接收，并获得口头报告的机会（Oral）。
其他通讯作者分别为 Wei Liang、Yanchao Yang 和 Siyuan Huang。
Wei Liang（梁玮），北理计算机科学与技术学院教授，负责领导感知、交互与具身化实验室（PIE Lab）。
她于 2005 年获得北理计算机科学博士学位，对计算机视觉、用于培训和教育的虚拟现实（VR）以及认知科学感兴趣。
前面提到的 Yixuan Li 大概率是她的学生，因为二人多次合发论文。
Yanchao Yang，香港大学助理教授，由电气与计算机工程系和数据科学研究所联合聘任。
本科毕业于中国科学技术大学，后获得沙特阿卜杜拉国王科技大学硕士学位，随后辗转至加州大学洛杉矶分校读博，并且曾在斯坦福大学做博士后研究。
他对具身智能感兴趣，致力于开发适用于低标注场景的自监督 / 半监督学习技术，以推动具身智能体的自主进化。
Siyuan Huang，北京通用人工智能研究院研究员，并担任该研究院具身人工智能与机器人研究中心主任。
本科毕业于清华大学自动化系，曾获得加州大学洛杉矶分校统计学博士学位，在读博期间还去了 DeepMind 和 Facebook Reality Lab 实习。
目前他还在北京大学任教，对计算机视觉、机器学习等感兴趣，致力于开发通用机器人的泛化模型。
其余两位作者分别为 Yutang Lin 和 Pei Zhou。
Yutang Lin，目前是北京大学元培学院大三学生，同时在北京通用人工智能研究院实习。
其研究兴趣集中在机器人技术、 计算机视觉和强化学习的交叉领域。
Pei Zhou，目前是香港大学电机及电子工程系博士生。和另一位同校同专业的朋友一样，网上资料也相对较少。
对于这项新研究，由于抛弃了目前常见的一些人机交互方式，人们预测它可能带来新的范式转变。
你看呢？
论文：
https://www.arxiv.org/abs/2510.14293
项目主页：
https://yushi-du.github.io/COLA/
参考链接：
https://x.com/siyuanhuang95/status/1980517755163185642
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 年度科技风向标「2025 人工智能年度榜单」评选报名火热进行中！我们正在寻找 AI+ 时代领航者 点击了解详情
❤️� � 企业、产品、人物 3 大维度，共设立了 5 类奖项，欢迎企业报名参与 � �
一键关注 � � 点亮星标
科技前沿进展每日见专业配资炒股
英赫优配提示：文章来自网络，不代表本站观点。
相关文章
热点资讯
