在具身智能系统中，运动控制器是语义推理与物理执行之间的关键桥梁。尽管类人控制因大规模人类运动捕捉数据和运动跟踪范式而快速发展，但生产具有可扩展性和物理可行性的四足机器人运动语料库仍面临更根本的障碍：动物运动数据稀缺，跨体态重定向依然脆弱。
我们提出了ABot-C0，一个通用的四足机器人运动控制系统，建立了三个互补的行为基础：可扩展的多源运动数据管道、在运动跟踪、步态与场景互动中的强健策略学习，以及统一的部署栈以确保可靠的现实世界操作。根本上，我们通过条件视频生成合成、注释运动捕捉、遥控操作和人类设计构建了一个数据金字塔，生成了16,074个物理可行的运动片段，为各种运动学习需求提供了数据基础。
接着，我们训练了一个流匹配通用策略，首次展示了四足运动跟踪的可扩展性规律，其性能随着训练规模的扩大而持续提升，并具备零-shot能力跟踪未见运动。然后，我们进一步推动了强健的全地形穿越步态，采用了一个三阶段的特权到感知框架，结合时间激光雷达记忆和地形预测监督。综合这些组件，形成了一个运动通用体，协调多策略执行、平滑行为过渡、能效控制及真实世界部署的安全机制。
在城市地形自主导航和伴侣式多模态交互的广泛实验中，四足机器人超越了单一功能演示，展现出产品级的行为智能。
博主点评： ABot-C0提供了一个创新的框架，通过丰富的数据基础和强大的策略学习，显著提升了四足机器人的运动能力。这种方法不仅解决了数据稀缺的问题，还为真实世界应用提供了可靠的解决方案，展现出广泛的应用潜力和实用性。