人形机器人的缩放行为基础模型

人形控制需要自然的全身协调、对控制信号的精确实时响应以及跨不同环境背景的强大泛化能力，这使其成为通用实体代理的基石。行为基础模型（BFM）最近成为一种有前途的解决方案，通过利用大规模行为数据实现卓越的表达性、多功能性和泛化性来应对这些挑战。然而，尽管人们对扩展 BFM 以进一步提高其能力越来越感兴趣，但仍不清楚如何协调包括学习范式、行为数据和模型架构在内的关键因素以实现有效扩展。在这项工作中，我们重新审视了 BFM 的扩展方法，并证明通过协调三个核心组件可以实现显着的性能提升：1）运动跟踪的学习范式，将各种人形控制问题重新表述为全局框架中集成全身行为的再现； 2）同策略轨迹采样数量与参考动作多样性之间的战略协同； 3）称为Humanoid Transformer的富有表现力和可扩展的模型架构，有助于结构化行为表征的自然出现。通过模拟和实际部署中的大量实验，我们证明了我们的方法在控制保真度和任务泛化方面取得了显着改进，与现有的人形控制器相比，测试集上的平均每关键点位置误差 (MPKPE) 在本地模式下减少了 10% 以上，在全局模式下减少了 82%。这些结果使 BFM 成为可扩展和通用人形控制的有原则且有效的基础。