MimicAll：面向跨人形机器人全身运动跟踪的结构化具身条件框架
该论文提出 MimicAll 强化学习框架，用结构化具身描述符编码全局与关节对齐条件，结合观测历史和身体匹配的运动参考预测关节目标偏移，支持跨异构人形机器人共享全身运动跟踪。训练覆盖 16 个人形机器人家族的 4,096 个变体，并构建含 464 个身体、五个分布层级的基准。相同训练转移量下，共享训练在 100STYLE 随机化 G1 身体上 30 秒成功率为 99.4%，单身体专用策略为 42.9%；身体条件不匹配使自注意力成功率从 61.7% 降至 47.0%。
发布于 10-27 12:54来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《MimicAll: Structured Embodiment Conditioning for Cross-Humanoid Whole-Body Motion Tracking》查看原链
arXiv:2610.33508v1 公告类型：新论文 摘要：人形机器人运动跟踪器能够复现多种行为，但要让同一策略在不同身体之间共享，就必须考虑结构、形态和动力学上的差异。 我们提出 MimicAll，一个用于异构人形机器人之间共享全身运动跟踪的强化学习框架。
该框架将结构化具身描述符编码为全局条件与关节对齐条件，再与观测历史和与身体匹配的运动参考结合，用于预测关节目标偏移。 物理一致的具身随机化、身体校准的重定向以及异构仿真，支持在来自 16 个人形机器人家族的 4,096 个变体上进行训练。 我们提出了一个覆盖五个分布层级的 464 个身体基准，用于评估运动泛化、同家族内的具身偏移以及未见家族的迁移。
受控消融实验表明，具身信息通过简单拼接即可提升运动完成度，而自注意力机制能获得最低的全局位置误差。 在相同训练转移量下，共享训练在 100STYLE 中对随机化 G1 身体取得 99.4% 的 30 秒成功率，而单身体专用策略为 42.9%。
采用 Flat-MLP 编码与拼接时，在排除障碍类别的运动子集上继续训练，对采样训练身体和已见家族内的分布外变体，在 100STYLE 中分别达到 98.3% 和 93.5% 的 30 秒成功率。 在覆盖 464 个身体的八运动 LAFAN1 子集（排除地面和起身序列）上，身体条件不匹配会使自注意力的 30 秒成功率从 61.7% 降至 47.0%，表明具身信息带来了闭环收益。