TeleGate：基于门控专家选择与运动先验的全身人oid遥操作

实时全身遥操作是人oid机器人在非结构化环境中执行复杂任务的关键方法。然而，开发能够稳健支持多样化人类动作的统一控制器仍是重大挑战。现有方法通常将多个专家策略蒸馏为单个通用策略，往往不可避免地导致性能下降，尤其是针对高动态动作。本文提出TeleGate，一种用于人oid机器人的统一全身遥操作框架，实现了跨各种动作的高精度跟踪，同时避免了知识蒸馏固有的性能损失。我们的核心思想是通过训练轻量级门控网络，保留领域特定专家策略的全部能力，基于本体感知状态和参考轨迹动态激活专家。进一步地，为补偿实时遥操作中缺乏未来参考轨迹的限制，我们引入基于VAE的运动先验模块，从历史观察中提取隐式的未来运动意图，实现对诸如跳跃和站立等需要预测的运动的预判控制。我们在仿真环境中进行了经验评估，并在Unitree G1人oid机器人上部署了该技术。仅需2.5小时的动作捕捉数据训练，TeleGate即可在各种动态动作（如跑步、跌倒恢复、跳跃）上实现高精度实时遥操作，显著优于基线方法在跟踪精度和成功率方面的表现。