TrajBooster：基于轨迹中心学习提升人oid全身操作能力
机器人学
2026-03-20 v3 计算机视觉与模式识别
摘要
最近的视觉语言动作模型显示出在不同机体间泛化的潜力，但在高质量演示稀缺时，尤其是对于双足人oid机器人，难以快速适配新机体的动作空间。我们提出TrajBooster，一个跨机体框架，利用大量轮式人oid数据提升双足VLA性能。我们的核心思想是将末端执行器轨迹作为一种与机形无关的接口。TrajBooster（i）从真实世界轮式人oid中提取6D双臂末端执行器轨迹，（ii）在仿真中重新定位到Unitree G1上，通过基于启发式增强的在线DAgger训练的全身控制器，将低维轨迹参考提升为可行的高维全身动作，（iii）构建源视觉/语言与目标人oid兼容动作的异构三元组，以进行后训练VLA，随后仅需在目标机体域收集10分钟的遥操作数据。部署在Unitree G1上，我们的方法实现了超越桌面上的家庭任务，使其能够蹲姿、跨高度操作和协调全身动作，显著提升鲁棒性和泛化能力。结果表明，TrajBooster允许现有的轮式人oid数据高效地增强双足人oid VLA性能，减少对高成本同机体数据的依赖，同时提升动作空间理解和零样本技能迁移能力。有关更多细节，请参阅我们的\href{https://jiachengliu3.github.io/TrajBooster/}。
引用
@article{arxiv.2509.11839,
title = {TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning},
author = {Jiacheng Liu and Pengxiang Ding and Qihang Zhou and Yuxuan Wu and Da Huang and Zimian Peng and Wei Xiao and Weinan Zhang and Lixin Yang and Cewu Lu and Donglin Wang},
journal= {arXiv preprint arXiv:2509.11839},
year = {2026}
}