MIND：面向文本驱动的基于物理的人形控制的多尺度意图扩散

MIND: Multi-Scale Intent Diffusion for Text-Driven Physics-Based Humanoid Control

让基于物理的人形机器人能够根据高级文本指令执行多样化行为仍然是一项重大挑战。现有方法通常遵循两种范式：一是结合运动学运动生成与物理追踪的两阶段范式，二是直接从文本生成动作的端到端模仿学习范式。然而，前者受限于运动学生成与物理追踪之间固有的领域差异，后者则因文本指令与低级动作之间显著的模态差距而难以实现有效的语义对齐。值得注意的是，人形机器人的状态编码了丰富的运动动态信息，这些信息比低级动作在语义上更接近文本描述，因此成为推导行为意图的自然基础。基于这一见解，我们提出MIND——一种新颖的端到端扩散框架，用于文本驱动的基于物理的人形机器人控制，该框架利用行为意图作为文本指令与低级动作之间的语义桥梁。其核心是引入多尺度意图扩散机制：全局意图预测器捕捉整体行为动态以引导整体行为合成，而即时意图预测器则在每次扩散步骤中提供逐步的细粒度信号用于局部行为优化。这种层次化的意图表达为机器人控制施加了结构化的归纳偏置，从而提升了语义对齐和行为自然性。此外，MIND将人形机器人状态编码到潜在空间中，以实现更有效的语义意图建模。大量实验表明，MIND优于现有方法，能够从文本指令中合成连贯、物理上合理且语义对齐的人形机器人行为。我们将发布代码以促进未来研究。