在语言条件人形机器人控制领域，自然语言提供了一种直观的交互界面，但全身控制的流式执行需要既能立即执行又能预测未来物理状态变化的表示。现有方法通常生成运动学参考，由底层追踪器被动修正，或使用隐含动作策略，但输出无法明确编码即将发生的接触变化、支撑转移和平衡准备。为解决这一挑战，来自上海交通大学等机构的研究人员提出了DAJI（动力学对齐的关节意图）框架，这是一种分层架构，旨在学习一个预期性的关节意图接口，连接语言生成与闭环控制。
DAJI框架包含两个核心组件：DAJI-Act和DAJI-Flow。DAJI-Act通过学生驱动的轨迹扩展，将具备未来感知能力的教师模型蒸馏为一个可部署的扩散动作策略，使得机器人能够在当前动作中融入对未来状态的预测。而DAJI-Flow则采用自回归方式，从当前语言指令和意图历史中生成未来的意图块，从而实现对连续指令的流式跟随。这种设计允许机器人在执行当前动作的同时，提前规划后续的关节状态，确保动作的连贯性与稳定性。
研究团队在多个标准基准上对DAJI进行了评估。实验结果显示，在HumanML3D风格的人体运动生成任务上，DAJI达到了94.42%的轨迹成功率，显著优于基线方法。在BABEL动作识别数据集上，DAJI的子序列FID分数低至0.152，表明生成的运动序列在真实感和多样性方面接近真实数据。此外，DAJI在单指令生成和流式指令跟随任务中也展现了强大的性能，证明了其在预期潜在学习方面的有效性。
这项工作的主要贡献在于提出了一种显式编码未来物理状态变化的控制表示，减少了底层追踪器的修正负担，并为语言引导的人形机器人全身控制提供了新的思路。未来的研究方向可能包括将DAJI扩展到更复杂的交互场景，以及结合更丰富的传感器反馈以增强鲁棒性。该研究由Haozhe Jia等人于2026年5月提交至arXiv，属于机器人学与计算机视觉交叉领域。