這篇論文由Simone Manni等七位作者完成，於2026年10月26日提交至arXiv，歸類為機器人學（cs.RO），編號為arXiv:2610.36270v1。研究聚焦於一個長期困擾足式機器人領域的難題：如何讓機器人在單一的長時程任務中連貫地完成蹲伏、抓取、行走等多種全身運動與操作動作。研究者指出，簡單的拾取放置行為在現有技術中已相當成熟，但一旦擴展到步驟繁多、狀態複雜的長時間任務，性能便會顯著下降。
目前學界應對這一挑戰的主流思路是依賴人類動作捕捉數據，並配套使用人形機器人平台。作者認為這種做法存在明顯侷限：它把算法與特定硬件形態綁定，犧牲了平台獨立性，同時人類數據的採集、重定向與清洗也帶來大量額外處理開銷。為繞開這條路徑，論文提出直接擴展近端策略優化（PPO），用單一策略在多種機器人硬件上學習多階段任務，並把任務本身的階段結構作為先驗知識來塑造學習行為。
在方法層面，作者對PPO做了三處針對性改造。其一是“階段條件化的評論家網絡”（phase-conditioned critic），讓價值估計能夠感知當前所處的任務階段；其二是“階段門控獎勵函數”（phase-gated reward functions），使不同階段的獎勵只在對應階段生效，避免目標之間相互干擾；其三是“多階段重置課程”（multi-phase reset curriculum），通過在訓練中從不同階段重新初始化來引導探索。三者結合，使策略能夠在稀疏或分段的獎勵信號下學會完整的長程行為鏈。
為適配不同形態的硬件，研究採用瞭解耦的分層控制架構：底層負責平衡與基礎運動動力學，高層負責按階段調度動作執行。這種分離讓同一套高層階段邏輯可以遷移到不同機器人本體上，而不必為每種平台重新設計底層控制。作者表示，該方法完全依靠與環境交互獲得複雜的運動—操作技能，無需人類示範數據，同時把高層的任務結構直接嵌入策略學習過程。
實驗部分，作者在真實硬件上驗證了多階段運動—操作技能，使用的平台包括宇樹G1人形機器人和加裝了機械臂的波士頓動力Spot四足機器人，覆蓋了人形與四足兩種差異明顯的形態。論文還通過消融實驗檢驗了上述各項設計選擇的必要性。不過，摘要並未披露具體成功率、訓練時長或與基線方法的定量對比，這些細節需查閲全文與實驗章節才能確認。
從更廣的意義看，這項工作提出了一個值得關注的思路：與其讓機器人模仿人類動作，不如把任務的分階段結構顯式地寫進強化學習的目標與探索機制中，從而在保持平台無關性的同時降低對昂貴示範數據的依賴。若該方法能進一步在更多任務與硬件上覆現，將有助於推動長時程全身操作從實驗室演示走向實際部署。該文目前為首次提交版本（v1），發表於2026年10月，後續可能還有修訂。