SuperMimic：用一个可微世界模型扩展人形机器人全身控制
SuperMimic 提出用一个可微世界模型摊销人形机器人全身运动跟踪的学习成本，该世界模型由标准刚体仿真器的转移数据拟合，并与跟踪策略在同一循环中联合训练，通过短时想象 rollout 的时间反向传播提供解析梯度。在单块 GPU 上训练 3 小时，其回报超过在 128 块 GPU 上训练 7 天的当前最优基线，GPU 小时数减少超过 1000 倍；在 129,514 个基准运动上失败 25 个，基线失败 179 个。两块 GPU 训练 9.8 小时后实现零失败，策略可迁移到实体 Unitree G1 完成多样高难度动作。
发布于 10-22 10:56来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model》查看原链
arXiv:2610.28480v1 公告类型：新论文 摘要：跟踪大规模人体运动数据集已成为实现通用、富有表现力的人形机器人全身控制的主流路线，但跨大量运动进行扩展的成本很高。 现有流程使用无模型强化学习，要么通过有损蒸馏合并针对单个运动的专家策略，要么用集群级算力强行训练单一策略。
SuperMimic 用一个可微世界模型对所有运动共享的动力学进行建模，从而将学习摊销到所有运动上；该世界模型由标准刚体仿真器记录的转移数据拟合得到。 世界模型与跟踪策略在同一循环中联合训练，通过在短时想象 rollout 上执行时间反向传播，为策略提供解析梯度。
快速的想象 rollout 与解析梯度使策略学习变得高效。 在单块 GPU 上训练 3 小时，SuperMimic 的回报就超过了在 128 块 GPU 上训练 7 天的当前最优运动跟踪基线。 它将 GPU 小时数减少超过 1000 倍，在 129,514 个基准运动上仅失败 25 个，而基线失败 179 个。
在两块 GPU 上训练 9.8 小时后，SuperMimic 实现零失败。 从 1 小时到 264 小时的运动数据，世界模型的预测误差保持稳定，达到目标回报所需的 GPU 小时数增长缓慢。 该策略可迁移到实体 Unitree G1 机器人，完成多样且高难度的动作。
SuperMimic 消除了算力这一扩展人形机器人全身控制的瓶颈，使测量运动跟踪的扩展规律变得可行。