IROS 2026最佳移动操作论文候选：ULTRA让人形机器人根据目标行动
把一个箱子从地上搬到指定位置，对人来说，是一件普通的小事。对人形机器人来说，却是一道全身协作题。
走近时要调整站位，下蹲时要保持平衡，双手接触箱子后要稳稳托住，起身和移动时还要协调双腿、躯干与手臂。任何一个环节出错，都可能让箱子滑落，甚至让机器人失去平衡。
一种办法是提前准备好完整的参考动作，让机器人逐帧跟踪。但如果只给出箱子的目标位置，中间的动作该如何产生？
能不能用同一个控制器，既在有参考动作时精确跟踪，也在没有参考动作时，根据感知和任务目标完成操作？
这正是 ULTRA 想解决的问题。
我们提出了 ULTRA （ Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation ），并在 Unitree G1 人形机器人上进行了验证。该工作已被 IROS 2026 接收，并入选 IROS 2026 Mobile Manipulation Paper Award 候选论文。
一个控制器，接受不同「详细程度」 的指令
我们先区分两种控制需求。
动作跟踪 提供一套逐帧参考：身体怎么动、物体如何移动，都有明确的轨迹。机器人要尽量准确地复现这些动作。
目标驱动控制则只规定希望达到的结果，例如物体的目标位置与朝向，把中间动作留给控制器生成。这就是「稀疏目标」：它没有逐帧规定机器人怎样迈步、弯腰和抬手。
ULTRA 将这些需求放进同一个控制框架： 这些能力由同一组策略参数实现 。 控制器还可以使用不同的 感知输入 ，包括外部动作捕捉系统提供的物体状态，以及机器人自身深度相机获得的信息。
这里的「自主」，具体指在给定目标和可用感知的条件下生成动作。目标仍需外部提供，而机器人不再需要别人提前规定每一帧应该怎么动。
人的动作不能「复制粘贴」，先让训练数据符合物理
这些全身协作能力从哪里来？一个重要来源是人体运动捕捉数据。
但人和机器人的身体比例、关节结构不同。同样一个搬箱子的动作，直接映射到机器人身上，可能出现手够不到箱子、脚底打滑，或接触关系不合理的问题。姿态看起来相似，并不代表动作能稳定执行。
ULTRA 为此引入了 物理驱动的神经动作重定向 。
可以把它理解为：让机器人在物理仿真中学习如何「用自己的身体」 完成示范中的动作。通过强化学习，重定向策略在尽量保留人体动作与操作意图的同时，考虑动力学和接触约束，生成在仿真中可执行的机器人轨迹。
训练完成后，同一个重定向策略可以处理新的动作，并通过调整运动范围和物体尺寸扩充数据，无需为每条新轨迹重新训练一套策略。
这样，人体动作就转化为后续控制策略可以学习的训练材料。
下面的视频可以重点观察：同一个人体动作如何转化为机器人的全身运动，以及物体尺寸和运动范围变化后，手、脚与物体之间的配合如何调整。