9月6日，Galbot（银河通用）对外介绍了RoboGesture：一套面向人形机器人的实时协同语音手势生成框架。它不是一台新的机器人，而是一层让机器人“说话时身体也能表达意思”的交互能力。相关论文已被ECCV 2026接收，论文作者页面与公开预印本都能确认这一研究项目；9月6日的行业报道则进一步披露了Galbot近期公开演示与应用方向。
过去几年，人形机器人的核心指标主要集中在走路、平衡、抓取和搬运。但当机器人进入门店接待、导览、陪护或服务场景后，另一个问题会迅速暴露：语言和身体往往是割裂的。机器人嘴上说“请往这边走”，手却可能只是机械摆动；说“不可以”时，身体也未必给出与语义一致的拒绝动作。这种不同步会削弱用户对机器人意图的理解，也容易产生明显的“机械感”。
RoboGesture试图解决的正是这个问题。
直接在机器人动作空间里生成手势
论文显示，RoboGesture并不是先生成一套“人类骨架动作”，再实时映射到机器人，而是直接围绕真实机器人关节空间训练和生成动作。研究团队在Unitree 
G1人形机器人上进行验证，并结合灵巧手构成41自由度的上半身动作空间。
这种设计的意义在于，很多适用于数字人的漂亮动作，直接移植到实体机器人上可能出现关节极限、自碰撞或高频抖动。RoboGesture把物理可执行性提前放进模型和数据流程，而不是最后再做补救。
不只跟节奏，还要跟“意思”
协同语音手势最难的地方，不只是让机器人跟着声音节拍摆手，而是让动作真正对应语义。
RoboGesture使用分层的语义—声学对齐模块，从实时语音中同时提取节奏、重音和更高层的语义信号，再驱动流式动作生成器。研究团队还提出了“Anti-Inertia”训练机制，防止模型只沿着上一段动作惯性继续运动、却忽略新出现的语音内容。
简单说，目标不是让机器人“动起来”，而是让它在说到重点、否定、指示、强调等不同语义时，选择更匹配的身体表达。
安全约束成为生成模型的一部分
实体机器人和屏幕里的虚拟角色还有一个根本区别：动作生成得不好，前者可能真的发生碰撞。
因此RoboGesture在生成结果之后加入基于MPC的运动学安全过滤器，对动作进行实时约束。论文还构建了超过300类语义手势的数据集，并通过自动化流程生成大规模、面向机器人本体的语音—动作配对数据。
公开资料显示，动作生成模块可以达到约120 FPS的吞吐能力。Galbot在近期公开信息中把“听取—回应—手势”完整交互环路描述为约2秒，但这个数字应理解为特定系统配置下的演示结果：完整响应时间仍然受到语音识别、语言模型、语音合成等上游模块影响，并不意味着所有机器人平台都能稳定达到同一延迟。
为什么这件事值得关注
从商业化角度看，这类能力并不会直接提升机器人的搬箱速度，却可能显著影响服务机器人的可用性。
在工厂里，人们更关心机器人能否把零件准确放到指定位置；但在零售、酒店、展厅、医疗陪护等需要面对人的场景中，机器人是否能用自然的身体语言表达“欢迎”“请稍等”“这边走”“不建议这样操作”，会直接决定交互是否顺畅。
这也意味着，人形机器人的竞争维度正在变化。硬件稳定性和操作能力仍然是基础，但在此之上，“行动是否正确”正在延伸成“意图是否能被人自然理解”。
仍然是研究系统，不应过度解读
RoboGesture目前的重点是上半身协同手势和灵巧手动作，并不等于已经解决了边走边说、全身动态平衡和复杂社交行为规划。论文验证的是一个技术框架的有效性，而不是大规模商业部署已经完成。
但它给出了一个很清晰的方向：当人形机器人真正进入人的生活空间后，具身智能不仅要解决“怎么做动作”，还要解决“怎么让动作和语言共同表达意图”。
从“会走、会抓”，到“会说”，再到“说话时也会自然地比划”，这看起来只是交互细节，却可能是机器人从设备走向社会化智能体过程中不可缺的一层。
公开来源
- RoboGesture论文（arXiv 2608.28693）：https://arxiv.org/abs/2608.28693
- 论文作者Li Yi公开项目页：https://ericyi.github.io/
- Humanoids Daily，2026-09-06：https://www.humanoidsdaily.com/news/beyond-mechanical-chatbots-galbot-unveils-robogesture-to-tackle-real-time-nonverbal-communication