刚性与稳定性融合：基于异构数据的通用人oid 控制
机器人学
2026-03-04 v3
摘要
人oid 机器人被设想在以人为中心的环境中执行广泛任务，需要结合灵活性与稳健平衡的控制器。最近的进展在 locomotion 和 whole-body tracking 方面，使我们在任一灵活动态技能或稳定性关键行为方面取得了令人印象深刻的进展，但现有方法仍具有专门性，专注于单一能力而牺牲另一能力。本文引入AMS（Agility Meets Stability），首个统一动态运动跟踪和极端平衡维护于单一策略的框架。我们的关键洞察是利用异构数据源：提供丰富灵活行为的人体动作捕捉数据集，以及捕获稳定性配置的物理约束合成平衡运动。为解决灵活性和稳定性优化目标的差异，我们设计了混合奖励方案，跨所有数据应用通用跟踪目标，仅将平衡特定先验注入合成运动。进一步，一种自适应学习策略结合绩效驱动的抽样和运动特定奖励塑形，实现对多样化运动分布的高效训练。我们在仿真环境和实际 Unitree G1 人oid 机器人上广泛验证AMS。实验表明，单一策略能够执行如舞蹈和跑步等灵活技能，同时也能执行如 Ip Man 的 Squat 等零样本极端平衡运动，凸显AMS作为未来人oid 应用的通用控制范式。
引用
@article{arxiv.2511.17373,
title = {Agility Meets Stability: Versatile Humanoid Control with Heterogeneous Data},
author = {Yixuan Pan and Ruoyi Qiao and Li Chen and Kashyap Chitta and Liang Pan and Haoguang Mai and Qingwen Bu and Hao Zhao and Cunyuan Zheng and Ping Luo and Hongyang Li},
journal= {arXiv preprint arXiv:2511.17373},
year = {2026}
}