TEXEDO：控制器感知语言条件人形运动生成的测试时间缩放

文本条件运动生成是用于编程人形机器人的一个有前景的接口，但当前的生成器通常是根据重新定位到机器人形态的人体运动数据集进行训练的。尽管此类数据提供了丰富的语义和运动学先验，但它无法捕获全身跟踪控制器的细微差别，包括平衡、接触动力学、驱动限制和控制器特定的故障模式。因此，生成的运动在语义上可能是合理的，但对于机器人来说很难或不可能执行。我们引入了 TEXEDO，这是一种用于人形运动生成的测试时间缩放框架，可以提高运动质量，而不需要更强大的底层生成器。给定文本提示，TEXEDO 从预训练的文本条件生成器中对多个候选动作进行采样，并选择可执行且与任务对齐的最佳动作。奖励模型结合了动态可行性验证器（从全身跟踪执行轨迹中提取以预测物理可执行性）和语义对齐验证器（用于测量学习的共同嵌入空间中的文本运动对齐）。我们的流程将动态可行性视为硬约束，将语义对齐视为可行集中的选择目标。通过大规模模拟研究和在 Unitree G1 人形机器人上的实际执行轨迹，我们表明 TEXEDO 不断提高跟踪保真度和文本对齐。这些结果表明，依据物理执行的验证是实现可执行轨迹的语言引导的人形动作生成的有效途径。项目网站：https://jianuocao.github.io/TEXEDO/