← 返回论文列表

Any2Any: 面向人形机器人全身追踪的高效跨形态迁移
Any2Any: Efficient Cross-Embodiment Transfer for Humanoid Whole-Body Tracking

作者: Ming Yang, Tao Yu, Feng Li 等4人
arXiv: 2605.23733v1
分类: cs.RO, cs.AI
📝 论文摘要
全身追踪（WBT）模型已成为人形机器人的关键基础，使其能够高保真地模仿多样化的运动。从头训练此类模型需要大规模数据和计算资源，这使得在新的人形平台上快速部署成本高昂。这引出一个自然问题：预训练的WBT模型能否在仅需少量调整的情况下跨实体迁移？为回答此问题，我们提出Any2Any范式，该范式能够高效地将现有WBT专长模型迁移至新的人形实体，仅需少量数据和计算。Any2Any首先在源实体和目标实体之间进行运动学对齐，调整其输入和输出空间，使得预训练的源策略能够有意义地重用于目标实体。随后，Any2Any通过向选定的动力学敏感模块应用轻量级参数高效微调（PEFT）组件来实现动力学适应，在保留有用行为先验的同时，对目标机器人进行针对性适应。在多人形平台和预训练骨干上的大量实验表明，与从头训练相比，Any2Any显著加速收敛并降低训练成本，同时达到有竞争力或更优的追踪性能。值得注意的是，仅使用完整训练所需计算和数据的1%，Any2Any成功将预训练于Unitree G1的Sonic模型迁移至LimX Oli和LimX Luna。这些结果表明，预训练的WBT专长模型可跨实体高效复用，为在新机器人上部署人形全身控制提供了一条可扩展的路径。

📊 核心分析

🎯 研究动机
- 从头训练**全身跟踪(Whole-body tracking, WBT)** 模型需要大规模数据和计算资源，导致新**人形机器人(humanoid robot)** 平台部署成本高昂 - 现有方法缺乏跨本体迁移能力，每个新平台需重新训练，难以快速复用已有模型 - 研究背景：WBT模型已成为人形机器人高保真模仿运动的关键基础，但高效复用预训练模型的问题尚未解决
🔧 核心方法
- 提出**Any2Any** 范式，分两步实现跨本体迁移：首先进行**运动学对齐(kinematic alignment)**，对齐源和目标人形机器人的输入输出空间，使预训练策略可复用 - 然后进行**动力学适应(dynamics adaptation)**，通过**轻量级参数高效微调(parameter-efficient fine-tuning, PEFT)** 组件针对性调整动力学敏感模块，保留有用行为先验的同时适应目标机器人
💡 核心创新
- **首次** 提出高效的跨本体迁移范式，仅需**1%的数据和计算** 即可将预训练WBT专家迁移至新人形平台 - **结合运动学对齐与动力学适应**：运动学对齐解决输入输出空间差异，动力学适应通过PEFT实现低成本精细调整，避免从头训练 - **显著降低部署成本**：在多个平台（Unitree G1 → LimX Oli/LimX Luna）上验证，加速收敛且跟踪性能竞争或超越从头训练
🏆 总体贡献
- 证明了预训练**全身跟踪专家(Whole-body tracking specialist)** 可以高效跨本体复用，为新人形机器人部署提供**可扩展路径** - 提出的**Any2Any** 方法大幅降低训练成本和数据需求，使快速部署成为可能 - 在多种人形平台和预训练骨干模型上取得**SOTA(state-of-the-art)** 迁移效果，推动人形机器人全身控制实用化