近期发表于 arXiv 的一篇机器人学论文（编号 2606.07934，归类 cs.RO，2026 年 6 月 6 日提交，共 9 页、4 张图）提出了名为 X-OP 的全身遥操作框架，核心思路是借助模型预测控制（MPC）完成跨形态的运动重定向。论文作者为 Jen-Wei Wang 等四人，提交人为 Sarthak Ranjeet Kaingade。论文指出，全身遥操作是实现可规模化机器人数据采集的关键，尤其是在移动操作（loco-manipulation）这类需要同时控制行走与手臂操作的任务中。然而，现有方案通常依赖外骨骼套装或多相机动作捕捉系统，这类设备成本高昂、部署复杂，并且受环境条件限制，难以大规模推广。
论文进一步回顾了近年出现的替代路线：仅使用一台扩展现实（XR）设备，配合端到端强化学习策略，可以在一定程度上缓解上述成本与复杂度问题。但作者指出，这类方法仍存在明显短板：其一，策略需要针对特定机器人重新训练，缺乏通用性；其二，面对训练分布之外的场景容易出现失效；其三，其运动重定向过程往往忽略机器人自身的动力学可行性，导致生成的动作在实际执行时不可靠。
针对这些问题，X-OP 采用分层式全身遥操作架构，由单台 XR 设备驱动，并声称能够泛化到多种机器人形态，而无需为每种机器人单独训练策略。框架的关键组件是一个基于 MPC 的运动重定向器，它把两项因素放在同一个优化问题中联合求解：一是与操作者意图的对齐程度，二是机器人自身的动力学可行性。优化结果作为指令，直接下发给机器人已有的底层控制器，因此该模块可以“即插即用”地接入现有系统，而不必替换原有控制栈。
为了支撑稳健的在线执行，作者还引入了两项工程性设计。其一是状态同步方法：在每个 MPC 步长上重置仿真器状态，以此应对真实世界中带噪声的测量数据以及接触敏感性带来的误差累积。其二是集成基于 SLAM 的全局位姿反馈，用于抑制长时间运行中的漂移问题。这两项设计共同提升了框架在真实硬件上连续运行的稳定性。
仿真实验对比了 X-OP 与基线方法在全身控制任务上的表现。在人形机器人平台上，该方法将任务完成时间缩短了 30% 以上，同时功耗降低约 20%；在移动操作机器人平台上，则实现了零碰撞。作者还开展了真实世界实验，验证了该方法在两类平台上执行全身控制任务的有效性与灵活性，并强调用户可以方便地根据个人偏好调整遥操作行为，实现实时定制。
论文将自身定位为一种可扩展、与形态无关的全身机器人遥操作方案，认为其即插即用的特性有助于降低遥操作数据采集的门槛，并可在不同平台之间广泛适用。需要注意的是，目前公开的信息主要来自论文摘要与元数据，具体实验设置、对比基线细节以及代码开源情况尚未在摘要中说明。