摘要
人形控制需要自然的全身协调、对控制信号的精准实时响应，以及在多样环境中的强大泛化能力，这使其成为通用嵌入式代理的基石。行为基础模型（BFMs）最近作为一种有前景的解决方案出现，通过利用大规模行为数据来实现卓越的表现力、灵活性和泛化能力。然而，尽管对扩展BFMs以进一步提升其能力的兴趣日益增长，如何协调学习范式、行为数据和模型架构等关键因素以实现有效扩展仍不明确。
在本研究中，我们重新审视了BFMs的扩展配方，表明通过协调三个核心组件可以实现显著的性能提升：
- 运动跟踪的学习范式，将多样的人形控制问题重新构造为在全局框架下重现综合全身行为；
- 策略性协同，平衡在线策略执行数量与参考运动多样性；
- 一种称为人形变换器的表现力和可扩展性模型架构，促进结构化行为表现的自然出现。
通过在模拟和真实世界部署中的广泛实验，我们证明了该方法在控制精度和任务泛化方面的显著改进，在局部模式下测试集的每关键点位置误差（MPKPE）减少超过10%，在全局模式下减少82%，与现有的人形控制器相比。这些结果确立了BFM作为可扩展和通用人形控制的原则性和有效的基础。
博主点评： 本文通过对BFMs的深入探讨，展示了如何通过协调关键因素来提升人形机器人控制的性能，尤其是在复杂环境中的应用。研究结果为未来智能机器人开发提供了重要的理论基础和实践指导。