ReactiveBFM：面向通用人形全身控制的反应式闭环运动规划
研究提出 ReactiveBFM 实时闭环规划-控制框架，通过按计划进行的前缀采样课程，让生成式规划器从并不完美的物理状态中学习误差恢复行为，以缓解级联方案中的累积暴露偏差；并引入异步重规划机制与轨迹分块，协调自回归规划与高频跟踪之间的延迟失配。该框架部署于宇树 G1 人形机器人，实现零样本移动目标到达；在严重扰动下的 sim-to-sim 基准测试中成功率达 93.1%，比级联开环基线高 28.6%。
发布于 10-23 23:02来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control》查看原链
虽然当前的行为基础模型（BFM）为人形机器人提供了稳健的控制先验，但它们只能执行预先定义的参考动作，因此容易受到环境变化的影响，也无法实现反应式全身协调。 简单地将它们与生成式运动规划器级联，并不能实现真正的反应性，因为不可避免的跟踪误差会引发致命的累积暴露偏差。
为弥补这一差距，我们提出 ReactiveBFM，一个实时闭环规划-控制框架。 其核心是通过一种按计划进行的前缀采样课程，有效缓解暴露偏差，迫使生成式规划器从并不完美的物理状态中主动学习误差恢复行为，而不是依赖真实轨迹。 系统性地，为协调自回归规划与高频跟踪之间严重的延迟失配，我们引入了一种异步重规划机制。
结合轨迹分块以在时间上集成空间参考，我们的系统保证了时空流畅的执行，且不会产生物理抖动。 ReactiveBFM 部署在宇树 G1 人形机器人上，在大量文本条件闭环动作中展现出前所未有的物理敏捷性。 值得注意的是，ReactiveBFM 实现了零样本移动目标到达，展示了复杂的全身协调与即时重规划能力。
在严重扰动下的 sim-to-sim 基准测试中，ReactiveBFM 达到 93.1% 的成功率，显著优于级联开环基线 28.6%。