CWI：复合人形全身模仿系统用于移动操作
本文提出CWI框架，通过解耦动捕数据的上半身操作和下半身运动，结合AMP、多批评家架构和师生蒸馏，实现人形机器人的稳定移动与灵巧操作协调。在仿真和真实LimX Oli人形机器人上验证，表现出竞争力的性能。
近年来，人形机器人研究聚焦于实现日常任务中稳定移动与灵巧操作的协调。然而，现有全身控制器面临重大挑战：基于命令采样的方法缺乏动捕数据，面临奖励稀疏和收敛困难；而全身动捕模仿则受限于数据集不平衡，需大量过滤和增强。针对这些问题，研究人员提出复合全身模仿（CWI）框架，通过解耦上下半身动捕数据的使用，充分发挥各自优势。
CWI框架的核心在于策略性的数据解耦：上半身操作充分利用丰富的动捕数据集，涵盖多样化的操作参考；下半身运动则通过对抗性运动先验（AMP）训练的双鉴别器，从专家级行走和下蹲片段中学习稳定、命令条件化的运动。这种设计避免了传统方法中上下半身互相干扰的问题。此外，多批评家架构有效减少了移动、操作和运动风格目标之间的冲突，师生蒸馏阶段则进一步将全身策略压缩为仅需双手姿态和速度/高度命令输入，简化了控制流程。
研究团队在仿真环境和真实的LimX Oli全尺寸人形机器人上对CWI进行了评估。结果显示，该方法在移动操作性能、全身协调性方面表现出色，并实现了无需全身动捕设备的实用远程操作。这一成果为人形机器人在复杂环境中执行日常任务提供了新的可能性。项目页面及补充材料见https://cwi-ral.github.io/CWI-RAL-Webpage。