- 解决**人形机器人运动冲刺(humanoid athletic sprints)** 中**运动学参考数据稀缺** 的问题，缺乏人形可行的运动序列
- 现有框架在高速冲刺时无法维持稳定性，限制了运动性能的提升
- 研究背景：人形机器人追求高速冲刺面临数据不足和稳定性挑战
- 提出**SPRINT框架**，利用**频率自适应谱先验(frequency-adaptive spectral priors)** 驱动运动生成
- 通过**参考库(reference library)** 中的五个离散运动序列，在**频域(frequency domain)** 中表征人体运动的**基本周期性(fundamental periodicity)**
- 生成**宽速度谱(broad velocity spectrum)** 内运动学可行的关节轨迹，并成功外推至超过参考分布的更高速度
- 预训练先验引导**SPRINT策略** 实现**零样本模拟到真实迁移(zero-shot sim-to-real transfer)**，在Unitree G1平台上测试
- **首次** 将**频率自适应谱先验(frequency-adaptive spectral priors)** 应用于人形机器人冲刺，提供**高效数据利用** （仅需五个运动序列）
- **零样本迁移能力**：无需真实数据微调，直接实现**模拟到真实(sim-to-real)** 转移，峰值速度达6 m/s
- **外推性能**：先验能生成超出训练数据速度范围的可行轨迹，并保持**生物仿生自然性(biomimetic naturalness)**
- **无缝步态转换**：在高动态运动中实现平滑的步态切换，解决现有框架的不稳定问题
- 为**人形机器人运动冲刺** 建立了**高度数据高效** 的**频率自适应谱先验(frequency-adaptive spectral priors)** 基础
- 在**真实硬件平台(Unitree G1)** 上验证了零样本迁移的可行性，达到6 m/s峰值速度
- 展示了仅用少量参考序列即可生成广谱运动的能力，显著降低数据依赖
- 开源项目页面提供代码与实验详情，促进社区复现与后续研究