HEX：面向跨具身全身操作的人形对齐专家框架
arXiv 2604.07993v3 提出 HEX，一个面向全尺寸双足人形机器人协调操作的以状态为中心的 VLA 框架。HEX 引入人形对齐的通用状态表示以支持跨异构具身学习，并用专家混合统一本体感受预测器从大规模多具身轨迹数据建模全身协调与时间运动动态；推理时用轻量历史令牌总结过去观察，避免重复编码历史图像。框架还采用残差门控融合机制与流匹配动作头，将视觉-语言线索与本体感受动态结合生成动作。真实人形操作任务实验显示，HEX 在任务成功率和泛化性上达到 SOTA，尤其在快速反应和长时程场景中。
发布于 10-23 23:02来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《HEX: Humanoid-Aligned Experts for Cross-Embodiment Whole-Body Manipulation》查看原链
arXiv:2604.07993v3 公告类型：替换 摘要：人类通过协调的全身控制完成复杂操作，而大多数视觉-语言-动作（VLA）模型在很大程度上独立处理机器人身体各部分，使得高自由度人形控制具有挑战性且往往不稳定。 我们提出 HEX，一个面向全尺寸双足人形机器人协调操作的以状态为中心的框架。
HEX 引入了一种人形对齐的通用状态表示，用于跨异构具身的可扩展学习，并集成了一个专家混合统一本体感受预测器，从大规模多具身轨迹数据中建模全身协调和时间运动动态。 为了高效捕捉时间视觉上下文，HEX 使用轻量历史令牌来总结过去的观察，避免在推理过程中重复编码历史图像。
它进一步采用带有流匹配动作头的残差门控融合机制，自适应地将视觉-语言线索与本体感受动态相结合以生成动作。 在真实世界人形操作任务上的实验表明，HEX 在任务成功率和泛化性方面达到了最先进的性能，特别是在快速反应和长时程场景中。