面向统一人形体Whole-Body控制的仿身感知通用专家蒸馏
机器人学
2026-03-02 v2 人工智能
机器学习
摘要
基于强化学习 (RL) 训练的人形Whole-Body控制器最近取得了显著的性能，但许多目标仅针对单一机器人仿身。动力学、自由度 (DoF) 以及运动学拓扑的差异仍阻碍了单一策略能指挥多样化的人形机器人。此外，获取一种不仅能跨仿身迁移，还能支持更丰富行为——超越简单行走到坐下、靠拢等——的通用专家策略尤其具有挑战性。本文通过引入EAGLE（iterative generalist-specialist distillation framework），即一种迭代通用-专家蒸馏框架，产生能够控制多异构人形机器人且无需按机器人调整奖励的单一统一策略。每一轮中，仿身特定的专家从当前通用策略中分叉出来，在各自机器人上进行细化，并将新技能通过在汇聚仿身集合上训练，蒸馏回通用策略中。重复此循环直至性能收敛，可产生在Unitree H1、G1和Fourier N1等机器人上验证的稳健Whole-Body控制器。我们在仿真中对五种不同机器人进行实验，并在现实世界中对四种机器人进行测试。通过定量评估，EAGLE在跟踪精度和鲁棒性方面优于其他方法，标志着可扩展的人形体控制 fleet 级别的一步跨越。详情请参见 https://eagle-wbc.github.io/。
引用
@article{arxiv.2602.02960,
title = {Embodiment-Aware Generalist Specialist Distillation for Unified Humanoid Whole-Body Control},
author = {Quanquan Peng and Yunfeng Lin and Yufei Xue and Jiangmiao Pang and Weinan Zhang},
journal= {arXiv preprint arXiv:2602.02960},
year = {2026}
}