SUGAR 是一个面向人形机器人的可扩展、数据驱动学习框架，旨在把多样化的人类视频转化为可部署的全身移动-操作（loco-manipulation）技能。该论文以 arXiv:2605.20373 提交于 2026 年 5 月 19 日，作者为 Tianshu Wu 等共 8 人，隶属机器人学（cs.RO）方向，同时涉及人工智能（cs.AI）与计算机视觉与模式识别（cs.CV）。研究要解决的问题是：让真实世界中的机器人具备可泛化的全身移动与操作能力，仍是根本性挑战。
作者指出，现有路线各有明显局限。第一类是依赖繁重的任务特定奖励工程，每种任务都要人工设计奖励函数，成本高且难以迁移。第二类是刚性回放参考动作，机器人只是机械复现预先给定的运动轨迹，面对新情形无法泛化。第三类依赖昂贵的遥操作数据采集，规模受限于人力与硬件，难以扩展。人类视频虽然记录了丰富多样的行为，为学习提供了诱人的数据来源，但从视频中推断出的运动先验本质上并不完美，存在遮挡、接触伪影以及重定向（retargeting）误差等问题，因此这些先验无法直接用于策略学习。
针对这一矛盾，SUGAR 提出了一个可扩展的三阶段框架，其关键特点是既不需要任何任务特定的奖励工程，在推理时也不依赖参考动作条件。第一阶段是一条全自动流水线，从非结构化的人类视频中提取运动学交互先验，包括人与物体的运动轨迹以及接触标签。第二阶段是一个基于物理的“特权”精炼器（privileged refiner），它使用统一的模仿奖励与渐进式状态池，把不完美的先验转化为物理可行、高保真的技能。第三阶段把精炼后的技能蒸馏为一个分层自主策略，该策略由命令生成器（command generator）与命令跟踪器（command tracker）两部分构成。
在评估方面，作者在仿真环境与真实人形机器人硬件上测试了六个具有代表性的移动-操作任务。结果显示，SUGAR 显著优于参考跟踪类基线方法，并且性能随人类视频数据量的增加呈现出清晰的扩展趋势。更值得注意的是，该方法实现了零样本的真实世界迁移，能够可靠地进行闭环执行，具备自主故障恢复能力，并在外部扰动下保持稳定的长时程表现。论文提供了项目主页（https://tianshuwu.github.io/sugar-humanoid/）以展示相关工作。该版本为 2026 年 5 月 19 日 18:24:05 UTC 提交的 v1，全文约 41,710 KB，DOI 由 DataCite 发放（待注册）。