7月17日
09:52
09:52官方账号arXiv cs.AI@Weishuai Zeng, Kangning Yin, Xiaojie Niu, Shunlin Lu, Weixiang Zhong, Jiahe Chen, Feiyu Jia, Xiao Chen, Zirui Wang, Furui Xu, Ming Zhou, Kailin Li, Weinan Zhang, He Wang, Li Yi, Dahua Lin, Jiangmiao Pang, Jingbo Wang
72°
该论文提出行为基础模型(BFM)的缩放配方,核心包括运动跟踪学习范式、策略同步量与参考动作多样性的协同、以及可扩展的Humanoid Transformer架构。在仿真和真实世界部署中,Humanoid Transformer将局部模式下的平均关键点位置误差(MPKPE)降低10%以上,全局模式下降低82%。相比现有仿人控制器,该方法显著提升了控制保真度和任务泛化能力。论文验证了BFM作为通用仿人控制基础的有效性。
推荐理由:这篇论文把仿人机器人控制的缩放问题拆解清楚了:Humanoid Transformer配合特定训练范式,让MPKPE直接降了82%,比现有控制器强一大截。