ReactiveBFM：面向通用人形全身控制的反应式闭环运动规划

虽然当前的行为基础模型 (BFM) 为人形机器人提供了强大的控制先验，但它们仅执行预定义的参考运动。因此，他们很容易受到环境变化的影响，并且无法做出反应性的全身协调。天真地将它们与生成运动规划器级联无法实现真正​​的反应性，因为不可避免的跟踪差异会导致致命的累积曝光偏差。为了弥补这一差距，我们提出了 ReactiveBFM，一种实时闭环规划控制框架。其核心是，我们通过预定的前缀采样课程有效地减轻暴露偏差，迫使生成规划者主动从不完美的物理状态而不是 真值 轨迹中学习错误恢复行为。系统地，为了解决自回归规划和高频跟踪之间严重的延迟不匹配问题，我们引入了异步重新规划机制。结合轨迹分块到时间集合空间参考，我们的系统保证时空流体执行而没有物理抖动。 ReactiveBFM 部署在 Unitree G1 人形机器人上，在大量文本条件闭环运动中展示了前所未有的身体敏捷性。值得注意的是，ReactiveBFM 实现了零射击移动目标到达，展示了复杂的全身协调和动态重新规划。在严重扰动下的 sim-to-sim 基准测试中，ReactiveBFM 实现了 93.1% 的成功率，显着优于级联开环基线 28.6%。