arXiv cs.AI· Chao Chen, Zhenrong Wang, Jilong Wang, Yusen Feng, Jiangran Lyu, Li Yi, He Wang·· 12 小时前AI 评分38
HumanoidNDM：用人类神经动力学模型弥合运动跟踪的训练-部署差距
HumanoidNDM: Closing the Training-Deployment Gap of Motion Tracking via Humanoid Neural Dynamics Model
AI 导读
HumanoidNDM 是一个面向人形机器人运动跟踪的在线微调框架，通过真实世界训练的神经动力学模型弥合训练-部署差距。该框架采用低频参考扰动与自适应强度机制采集数据，在欧氏空间训练基于历史的本体感知动力学模型，无需昂贵的动作捕捉系统，并直接通过反向传播模型梯度微调策略。在 Unitree G1 机器人上的物理验证显示，该框架能快速适应各类扰动，是首个无需 MoCap 的人形跟踪策略在线微调框架。
正文 · AI 翻译
摘要：人形机器人近期在运动跟踪方面取得了显著成功。然而，在实际部署过程中，机器人不可避免地会遇到由额外物理扰动或不准确的仿真建模所引起的动力学差距，从而导致显著的训练-部署差距。因此，有效利用真实世界数据对策略进行微调，是实现稳健部署的关键最后一公里。为弥合这一差距，我们提出 HumanoidNDM，一个由真实世界训练的神经动力学模型驱动的人形运动跟踪在线微调框架。首先，在数据收集阶段，我们引入一种带有自适应强度机制的低频参考扰动方法，兼顾部署可行性与探索效率。其次，在模型训练阶段，我们通过引入可微前向运动学，在欧几里得空间中训练一个稳健的、基于历史的本体感受神经动力学模型，从而消除对昂贵动作捕捉系统的依赖。最后，在策略微调阶段，我们通过反向传播的模型梯度直接微调策略，实现高数据效率。通过在 Unitree G1 机器人上的物理验证，我们证明 HumanoidNDM 能够实现对各种扰动的快速真实世界适应，这是首个面向人形跟踪策略的在线、无需 MoCap 的微调框架。
| 评论： | 已被 CoRL 2026 接收 |
| 主题： | 机器人学（cs.RO）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.34126 [cs.RO] |
| （或使用 arXiv:2610.34126v1 [cs.RO] 获取此版本） | |
| https://doi.org/10.48550/arXiv.2610.34126 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Chao Chen [查看邮箱]
[v1]
2026年10月25日星期日 07:51:22 UTC（11,192 KB）
来源：arXiv cs.AI · arxiv.org