MoRL：用于统一运动理解与生成的强化推理
计算机视觉与模式识别
2026-02-17 v1
摘要
人类运动理解与生成在视觉和机器人领域至关重要，但在推理能力和测试时规划方面仍有限。我们提出 MoRL，一个通过监督微调和强化学习训练的统一多模态运动模型，采用可验证奖励。我们的任务特定奖励设计结合语义对齐与推理连贯性以实现理解，以及物理可行性与文本-运动一致性以实现生成，从而提升逻辑推理和感知真实性。为进一步增强推理，我们引入 Chain-of-Motion (CoM)，一种在测试时进行的推理方法，使能够逐步规划和反思。我们还构建了两个大规模 CoT 数据集，MoUnd-CoT-140K 和 MoGen-CoT-140K，以将运动序列与推理痕迹和动作描述对齐。在 HumanML3D 和 KIT-ML 上的实验表明，MoRL 相对于最先进的基线实现了显著提升。代码：https://github.com/AIGeeksGroup/MoRL。网站：https://aigeeksgroup.github.io/MoRL。
引用
@article{arxiv.2602.14534,
title = {MoRL: Reinforced Reasoning for Unified Motion Understanding and Generation},
author = {Hongpeng Wang and Zeyu Zhang and Wenhao Li and Hao Tang},
journal= {arXiv preprint arXiv:2602.14534},
year = {2026}
}