2026年11月2日，由首尔国立大学工程学院电气和计算机工程系Songhwai Oh教授领导的研究团队发布了一项关于人形机器人控制的新成果。该团队开发了名为RISE（责任诱导专业专家）的视觉语言行动（VLA）框架，成功解决了人形机器人在执行多步骤任务时，难以将独立收集的运动数据和物体操纵数据有效结合的问题。
技术背景与挑战
近年来，视觉语言行动（VLA）技术在机器人领域备受关注。这类人工智能模型能够整合摄像机图像与自然语言指令，使机器人理解环境并执行如“抓取物体并移至指定位置”等物理行为。然而，对于人形机器人而言，连续执行行走、抓取和放置等多阶段动作面临显著挑战。
主要难点在于运动（Locomotion）和物体操纵（Manipulation）涉及截然不同的关节控制和运动特征，单一的人工智能模型难以同时可靠地学习这两种行为。此外，收集包含行为过渡的多步任务演示数据成本高昂且困难，因为中间阶段的任何故障都可能导致整个演示无效。虽然单独收集行走或抓取数据相对容易，但这些独立数据缺乏指示机器人何时结束当前行为并过渡到下一行为的时序信息。
RISE框架的工作原理
为应对上述挑战，研究团队提出了RISE框架。该架构将共享的视觉语言感知模型与多个行动专家及协调它们的元控制器相结合。在训练过程中，系统评估每个专家预测当前行动的准确性，并计算其“责任”。这种机制使得个别专家在没有预先定义角色的情况下，自然分化出专注于机动或物体操纵的功能。
在执行阶段，RISE利用元控制器输出的专家权重变化作为任务转换的信号。由于不同行为特征会导致专家权重的差异，系统能够据此判断当前任务的结束时机，并自然过渡到下一个预定义任务。这一方法允许机器人仅使用单独收集的个体行为示例进行训练，而无需额外采集包含运动和操纵过渡的连续演示数据。
实验验证与性能数据
研究团队在模拟环境和真实的Unitree G1人形机器人上对RISE进行了验证。实验中的机器人除了基本的全身关节外，还配备了两个Dex3-1机器人手，拥有43个可控自由度（DoF）。这项研究成果已被IEEE/RSJ智能机器人和系统国际会议（IROS 2026）接收。
模拟实验结果：
- 任务类型包括两至四个阶段，例如移动后拿起物体、举起物体后移动并放下等。
- RISE的平均成功率达到87.3%。
- 相比之下，基于NVIDIA发布的通用基础模型GR00T及单个专家架构的基线成功率为73.6%。
真实机器人实验结果：
- 测试任务涵盖由两个、四个乃至五个阶段组成的机动和操纵组合，例如连续抓取并放置两个物体。
- RISE的平均任务成功率为50.0%。
- 基于GR00T的基线记录的成功率为30.0%，RISE高出20个百分点。
数据显示，随着任务阶段的增加，RISE的表现比基线更加稳定可靠。这证实了通过分别收集的运动和操纵数据进行训练的专家模型，能够在适当时机实现行为间的自然过渡，从而顺序执行复杂的多阶段人形任务。
应用前景与研究意义
Songhwai Oh教授指出：“为了使人形机器人能够在现实环境中执行各种任务，它们必须能够可靠地学习具有不同特征的行为，例如移动和物体操纵，并在需要时自然地在它们之间进行过渡。”他强调，这项研究展示了在不直接收集包含所有不同行为的完整演示的情况下，利用分别收集的数据执行连续复杂任务的可能性。
该技术的核心意义在于减轻了反复收集完整、连续任务演示以训练人形机器人的负担。基于责任的专家训练方法显示出扩展潜力，可整合包括机动、物体挑选、双手操纵和工具使用在内的多种不同特征行为。
目前尚不清楚该技术大规模商业化的具体时间表，但其应用方向已初步明确。短期内，该技术可应用于机动和操纵同时发生的场景，如物流中心货物搬运和制造环境中的零件移动。随着适应性和安全性的提高，预计未来可扩展至医院用品运输、护理协助以及家庭物品整理等领域。
共同第一作者霍根基目前正在工业领域从事物理人工智能研究；另一共同第一作者Wooseok Oh计划在毕业后于韩国或国外的研究机构担任人工智能和机器人研究员。论文《Learning Humanoid Locomotion-Manipulation with Responsibility-Induced Experts from Vision-Language-Action Models》发表于IROS 2026。
