Dla uczelni i zamawiających publicznych

1. Platformy EDU do badań

Do badań potrzebna jest wersja EDU. W tabelach specyfikacji Unitree rozwój własnego oprogramowania (ang. secondary development) jest dla G1 i H2 dostępny tylko w wersjach EDU. W rodzinie Go2 wersje AIR i PRO go nie mają, Go2 X ma wsparcie podstawowe, a Go2 EDU pełne. To właśnie ta możliwość daje Państwa kodowi dostęp do robota: polecenia i stan na poziomie stawów, czujniki i dodatkową moc obliczeniową.

Źródła: unitree.com/g1, unitree.com/go2, unitree.com/H2, unitree.com/Dex3-1, stan na 22.10.2026. Wartości są przybliżone i zależą od wersji i konfiguracji; „—” oznacza brak danych. Unitree nie wskazuje konkretnego modułu obliczeniowego („such as …”), dlatego określamy go na piśmie w ofercie.

Dlaczego EDU nadaje się do badań

Obsługa w repozytoriach Unitree do uczenia i teleoperacji

Stan na 22.10.2026; „—” = brak na liście. H2 jest dziś objęty wyłącznie SDK, URDF i MJCF; wyuczone sterowanie całym ciałem na H2 pojawia się na razie tylko w preprintach [P2]. Inne dostarczane przez nas modele: As2 (rozwój własnego oprogramowania w wersjach X i EDU), A2 („Supported”, Intel Core i7 dla użytkownika) i B2 również mają przykłady w unitree_sdk2; zob. Roboty.

Licencje. Wymienione oprogramowanie, modele i zbiory danych są projektami podmiotów trzecich (np. Unitree Robotics, Hugging Face), udostępnianymi przez ich autorów i wykorzystywanymi na ich własnych licencjach. Licencje różnią się między projektami oraz między kodem, wagami modeli i zbiorami danych. Przed użyciem prosimy sprawdzić licencję danego projektu. NeoHumanoidX nie udziela do nich żadnej licencji. xr_teleoperate i teleimager (Unitree Robotics): licencja Apache 2.0 według plików LICENSE projektów; korzystają z komponentów podmiotów trzecich na ich własnych licencjach.

3. Literatura: od czego zacząć

Lista podstawowa (P) z robotem Unitree użytym w pracy, jeśli wskazuje go streszczenie; lektura uzupełniająca (R) o metodach bazowych. Identyfikatory arXiv sprawdzone względem tytułów 22.10.2026.

Są to publikacje podmiotów trzecich; ich autorzy nie są powiązani z NeoHumanoidX i nie rekomendują naszych produktów ani usług. Streszczenia są nasze – szczegóły w każdej publikacji.

Publikacje podstawowe

1. [P1]T. He, J. Gao, W. Xiao, Y. Zhang, Z. Wang, J. Wang, Z. Luo, G. He, N. Sobanbab, C. Pan, Z. Yi, G. Qu, K. Kitani, J. Hodgins, L. Fan, Y. Zhu, C. Liu, G. Shi. „ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills”. RSS 2025. arXiv:2502.01143 robot: Unitree G1
2. [P2]Q. Lan, Z. Tian, Z. Wang, J. Liang. „TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments”. arXiv, 2026. arXiv:2610.17999 preprint robot: z G1 na H2
3. [P3]Y. Lin, G. Shi, C. K. Liu. „Action-Aligned Latent Planning for Versatile Humanoid Loco-Manipulation (FIBER)”. arXiv, 2026. arXiv:2610.24675 preprint robot: rzeczywisty G1: podnoszenie skrzynki, otwieranie drzwi, chwytanie
4. [P4]Y. Wang, P. Yang, L. Zhuo, L. Wei, X. Du, K. Song, W. Wang, D. Ma. „Compositional Humanoid Manipulation through Isomorphic Teleoperation and Independent Skill Routing”. arXiv, 2026. arXiv:2610.26169 preprint robot: Unitree G1
5. [P5]Lambda-humanoid Team: C. Xu, J. Chen, J. Ye, et al.. „λ0: Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation”. raport techniczny, arXiv, 2026. arXiv:2610.18950 preprint robot: transfer zero-shot na G1
6. [P6]N. Rudin, D. Hoeller, P. Reist, M. Hutter. „Learning to Walk in Minutes Using Massively Parallel Deep Reinforcement Learning”. CoRL 2021. arXiv:2109.11978 robot: podstawa unitree_rl_gym (legged_gym)
7. [P7]J. Tobin, R. Fong, A. Ray, J. Schneider, W. Zaremba, P. Abbeel. „Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World”. IROS 2017, DOI 10.1109/IROS.2017.8202133. arXiv:1703.06907
8. [P8]X. Cheng, J. Li, S. Yang, G. Yang, X. Wang. „Open-TeleVision: Teleoperation with Immersive Active Visual Feedback”. arXiv, 2024. arXiv:2407.01512 robot: cytowany przez xr_teleoperate

Lektura uzupełniająca: metody

1. [R1]J. Schulman, F. Wolski, P. Dhariwal, A. Radford, O. Klimov. „Proximal Policy Optimization Algorithms” arXiv, 2017. arXiv:1707.06347
2. [R2]X. B. Peng, M. Andrychowicz, W. Zaremba, P. Abbeel. „Sim-to-Real Transfer of Robotic Control with Dynamics Randomization” arXiv, 2017. arXiv:1710.06537
3. [R3]J. Hwangbo, J. Lee, A. Dosovitskiy, D. Bellicoso, V. Tsounis, V. Koltun, M. Hutter. „Learning agile and dynamic motor skills for legged robots” Science Robotics 4(26), eaau5872, 2019. arXiv:1901.08652
4. [R4]A. Kumar, Z. Fu, D. Pathak, J. Malik. „RMA: Rapid Motor Adaptation for Legged Robots” RSS 2021. arXiv:2107.04034
5. [R5]T. Z. Zhao, V. Kumar, S. Levine, C. Finn. „Learning Fine-Grained Bimanual Manipulation with Low-Cost Hardware (ACT)” arXiv, 2023. arXiv:2304.13705
6. [R6]C. Chi, Z. Xu, S. Feng, E. Cousineau, Y. Du, B. Burchfiel, R. Tedrake, S. Song. „Diffusion Policy: Visuomotor Policy Learning via Action Diffusion” arXiv, 2023 (rozszerzona wersja artykułu z RSS 2023). arXiv:2303.04137
7. [R7]Z. Fu, Q. Zhao, Q. Wu, G. Wetzstein, C. Finn. „HumanPlus: Humanoid Shadowing and Imitation from Humans” arXiv, 2024. arXiv:2406.10454
8. [R8]T. He, Z. Luo, X. He, W. Xiao, C. Zhang, W. Zhang, K. Kitani, C. Liu, G. Shi. „OmniH2O: Universal and Dexterous Human-to-Humanoid Whole-Body Teleoperation and Learning” arXiv, 2024. arXiv:2406.08858
9. [R9]Open X-Embodiment Collaboration: A. O'Neill, A. Rehman, et al.. „Open X-Embodiment: Robotic Learning Datasets and RT-X Models” arXiv, 2023. arXiv:2310.08864
10. [R10]A. Brohan, N. Brown, J. Carbajal, et al.. „RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control” arXiv, 2023. arXiv:2307.15818
11. [R11]M. J. Kim, K. Pertsch, S. Karamcheti, et al.. „OpenVLA: An Open-Source Vision-Language-Action Model” arXiv, 2024. arXiv:2406.09246
12. [R12]K. Black, N. Brown, D. Driess, et al.. „π0: A Vision-Language-Action Flow Model for General Robot Control” RSS 2025. arXiv:2410.24164
13. [R14]K. Zakka, B. Tabanpour, Q. Liao, et al.. „MuJoCo Playground” arXiv, 2025. arXiv:2502.08844
14. [R15]E. Todorov, T. Erez, Y. Tassa. „MuJoCo: A physics engine for model-based control” IROS 2012. DOI 10.1109/IROS.2012.6386109

Na naszym profilu w serwisie LinkedIn publikujemy bieżące wiadomości techniczne z ekosystemu Unitree i badań nad robotyką.

5. Wnioski grantowe: część dotycząca robota

Pomagamy przygotować część wniosku dotyczącą aparatury, gdy projekt obejmuje robota (NCN, NCBR, FENG, Horyzont Europa): uzasadnienie zakupu, powiązanie z potrzebą badawczą, parametry i koszty wdrożenia. Część naukowa i plan prac należą do Państwa; my dostarczamy fakty dotyczące platformy wraz ze źródłami.

Jak pisać, aby recenzent mógł łatwo ocenić wniosek

1. Punktem wyjścia są kryteria oceny, a nie szablon. Warto pozyskać wytyczne grantodawcy dla recenzentów i definicje punktacji w danym konkursie, a następnie przypisać każde kryterium do konkretnego akapitu. Jeśli coś nie jest napisane wprost i na początku, recenzent oceniający wiele wniosków może tego nie zauważyć.
2. Samodzielna recenzja według tych kryteriów przed złożeniem. Warto przejść przez projekt kryterium po kryterium i uzupełnić braki. Asystent AI może pomóc wnioskodawcy w takiej kontroli; wcześniej należy sprawdzić zasady grantodawcy dotyczące AI i poufności.
3. Szkice z narzędzi AI i wyszukiwarki literatury wyłącznie jako punkt wyjścia. Poprawianie i kwestionowanie szkicu jest szybsze niż pisanie od zera, ale każde stwierdzenie i każdy przypis muszą sprawdzić autorzy: tekst generowany bywa ogólnikowy lub przesadzony.
4. Szerokie poszukiwanie konkursów. Poza krajowymi i unijnymi bazami naborów pomocne bywają narzędzia dopasowujące konkursy do tematu; kwalifikowalność i terminy zawsze należy potwierdzić u źródła.