LessMimic：基于统一距离场表示的长期人类化机器人互动
机器人学
2026-02-26 v1
摘要
能够在物理环境中进行长期自主互动的人类机器人代表了具身智能的核心目标。现有方法依赖参考运动或任务特定奖励，使策略 tightly 耦合于特定对象几何形状，阻碍在单一框架内实现多技能泛化。一个实现参考自由推断、几何泛化和单一策略中长期技能组合的统一互动表示仍是开放挑战。本文表明距离场（DF）可提供此类表示：LessMimic 通过 DF 派生的几何线索（表面距离、梯度和速度分解）来条件化单个全身策略，消除运动参考的需求，通过变分自编码器（VAE）编码 interaction latents，并在强化学习（RL）下使用对抗互动先验（AIP）进行后训练。通过 DAgger 风格的蒸馏，将 DF latents 与 egocentric 深度特征对齐，LessMimic 还能无动作捕获（MoCap）基础设施的情况下实现视觉-only 部署的无缝迁移。单个 LessMimic 策略在 PickUp 和 SitStand 中实现 80--100% 成功率（基准方法在此类尺度变化下显著下降），在 5 个任务实例轨迹上达到 62.1% 成功率，并且在连续 40 个任务中保持可行性。通过以局部几何而非演示为交互基础，LessMimic 为实现可泛化、技能组合和在非结构化环境中恢复失败的人类机器人提供了可扩展路径。
引用
@article{arxiv.2602.21723,
title = {LessMimic: Long-Horizon Humanoid Interaction with Unified Distance Field Representations},
author = {Yutang Lin and Jieming Cui and Yixuan Li and Baoxiong Jia and Yixin Zhu and Siyuan Huang},
journal= {arXiv preprint arXiv:2602.21723},
year = {2026}
}