Towards Adaptable Humanoid Control via Adaptive Motion Tracking

人形机器人被期望能够在适应各种真实世界条件的同时，准确地保持原有的运动模式。现有的运动先验方法虽然仅需少量动作即可实现良好的适应性，但往往牺牲了动作模仿的准确性；而运动追踪方法虽能实现高精度的模仿，却需要大量训练动作，并在测试阶段依赖目标动作进行适应。为了结合两者的优势，我们提出了AdaMimic——一种新颖的运动追踪算法，能够仅凭单个参考动作实现可适应的人形机器人控制。为在降低数据依赖的同时保证适应能力，我们的方法首先通过对单一参考动作进行关键帧稀疏化，并在极小物理假设的前提下进行轻量编辑，构建一个增强的数据集。接着，通过追踪这些稀疏关键帧来初始化策略，以生成密集的中间动作；随后训练适配模块，根据调整情况动态调节追踪速度并优化底层动作，从而实现灵活的时间扭曲，进一步提升模仿的准确性和适应性。我们在多种任务和广泛的适应条件下，于仿真环境以及真实的宇树科技G1人形机器人上验证了该方法的显著优势。相关视频和代码详见 https://taohuang13.github.io/adamimic.github.io/。

论文试图解决人形机器人在多样化真实场景中适应性模仿运动的问题，即如何在仅使用单个参考动作的情况下，既保持对原始动作模式的高精度模仿，又能灵活适应各种外部条件。传统方法要么依赖大量动作数据以实现精准跟踪，要么牺牲模仿精度来换取适应性，因此在数据效率与控制精度之间存在权衡。这是一个具有现实意义且尚未被充分解决的问题，尤其在实际部署中缺乏大规模演示数据时更为关键。

提出AdaMimic，一种基于单个参考动作的可适应运动跟踪算法。其核心思想是通过对单一参考动作进行关键帧稀疏化和轻量编辑生成增强数据集，先训练策略跟踪稀疏关键帧以重建完整动作序列，再引入适配器模块调节追踪速度并优化底层动作，实现灵活的时间扭曲（time warping），从而兼顾高保真模仿与强环境适应能力。相比现有工作，该方法首次实现了从单个动作样本出发，在低数据依赖下同时达到高模仿精度和良好泛化性的目标。

在模拟环境和真实的Unitree G1人形机器人上验证了多任务、多场景下的优异适应性能；实验设计覆盖不同地形、干扰和节奏变化等挑战条件；通过关键帧自动生成与物理假设最小化的编辑提升了数据效率；开源了项目视频和代码（https://taohuang13.github.io/adamimic.github.io/），便于复现与后续研究；所提出的分阶段训练与适配器机制为小样本运动迁移提供了新范式，值得进一步探索其在更广泛技能迁移中的应用。

Recent advances in motion imitation for humanoid robots: A survey; Learning robust perceptive locomotion for humanoid robots in the wild; PHC: Proximal Policy Optimization with Hierarchical Curricula for Versatile Bipedal Walking; Diffusion Policy for Vision-Based Robotic Manipulation; CLIP-IM: Language-Driven Human Motion Imitation via CLIP Latent Space