Track Any Motions under Any Disturbances

一个基础的人形运动追踪系统应能够追踪多样化、高度动态且包含丰富接触的运动。更重要的是，为了满足普遍的实际应用需求，该系统需要在真实场景中稳定运行，以应对各种动力学干扰，包括不同地形、外部作用力以及物理属性的变化。为实现这一目标，我们提出了 Any2Track（在任意干扰下追踪任意运动），这是一种两阶段的强化学习框架，能够在现实世界中的多种干扰条件下追踪各类运动。Any2Track 将动力学适应能力重新定义为在基本动作执行能力之上的附加能力，其包含两个核心组件：AnyTracker 和 AnyAdapter。AnyTracker 是一种通用运动追踪器，通过一系列精心设计，可在单一策略内实现对多种运动的追踪；AnyAdapter 是一种基于历史信息的自适应模块，赋予追踪器在线适应动力学变化的能力，从而克服仿真到现实的差距以及多种真实世界中的干扰。我们将 Any2Track 部署于宇树科技 G1 硬件平台上，实现了无需微调的零样本仿真到现实迁移。实验结果表明，Any2Track 在多种真实世界干扰下对各类运动的追踪表现出色。

论文试图解决人形机器人在现实世界中面对多种动态干扰（如复杂地形、外力扰动和物理属性变化）时，仍能稳定、准确地跟踪多样化、高动态且包含丰富接触动作的问题。这不仅是经典运动跟踪的延伸，更强调在真实环境中零样本跨域迁移的鲁棒性，属于一个尚未充分解决的新挑战。

提出Any2Track，一种两阶段强化学习框架，将动态适应能力解耦为基本动作执行（AnyTracker）与在线环境适应（AnyAdapter）。AnyTracker通过单一策略实现多动作跟踪，AnyAdapter利用历史信息实现对未知动力学扰动的实时适应，从而在不依赖真实数据微调的情况下实现sim2real零样本迁移。其核心新意在于将适应性建模为可插拔的模块化能力，而非整体策略重设计。

在Unitree G1人形机器人上实现了零样本sim2real部署，验证了方法在真实世界中的有效性；实验涵盖多种高动态动作与真实扰动（如推力、地面变化）；AnyAdapter具备历史感知能力，提升适应稳定性；虽未明确提及开源，但基于RL的模块化设计具有较强可复现性；未来可深入研究自适应模块的泛化边界及在更复杂任务中的集成。

1. Learning to Walk in Simulation: Reinforcement Learning for Dynamic Locomotion 2. Domain Randomization for Transferring Deep Neural Networks from Simulation to the Real World 3. Robust Imitation of Diverse Behaviors 4. Online Adaptation for Joint Space Control of Legged Robots 5. Sim-to-Real Transfer in Robotics: A Survey