全能功夫运动机器人：高动态平衡挑战运动数据集与自主跌倒恢复跟踪

当前的人类机器人运动跟踪系统能够执行常规和中等动态行为，但在硬件性能极限和算法鲁棒性边界附近仍存在显著差距。功夫等武术代表了高度动态的人类运动，特征为快速的质心位移、复杂的协调以及突如其来的姿态转换。然而，针对此类高强度情景的运动数据集仍稀缺。为填补这一差距，我们构建 KungFuAthlete，这是一个来自职业运动员日常训练视频的高动态功夫运动数据集。该数据集包括地面和跳跃子集，涵盖代表性的复杂运动模式。跳跃子集的关节、线速度和角速度显著高于常用数据集如 LAFAN1、PHUMA 和 AMASS，表明运动强度和复杂度显著提升。重要的是，即便是职业运动员在高度动态运动中也可能失败。类似地，在外部干扰或执行错误下，人类机器人容易不稳定并跌倒。大多数先前工作假设运动执行保持在安全状态之内，缺乏统一的策略来建模不安全状态并实现可靠的自主恢复。我们提出了一种新颖的训练范式，使单个策略能够联合学习高动态运动跟踪和跌倒恢复，将敏捷执行与稳定性整合在一个框架内。该框架将机器人能力从纯粹的运动跟踪扩展到具备恢复能力的执行，推动实际场景中更稳健、更自主的人类机器人性能。