CWI（Composite Whole-Body Imitation，复合全身模仿）是一个面向人形机器人移动-操作（loco-manipulation）任务的全身控制框架，由Wenqi Ge等六位作者完成，于2026年6月26日提交至arXiv，编号为arXiv:2606.27676，属于机器人学（cs.RO）方向。论文的核心问题是：如何让人形机器人在保持稳定行走的同时，完成灵活多样的上半身操作任务。
现有方法主要分为两类，但各自存在明显缺陷。第一类方法完全依靠命令采样训练，不使用动作捕捉（MoCap）数据，因此常常面临奖励稀疏的问题，需要精心设计课程学习才能收敛；这一缺陷在上半身控制上尤为突出，生成的动作偏离人类的运动统计特征，进而破坏全身协调性。第二类方法直接模仿全身MoCap数据，但数据集本身存在严重的不平衡：许多移动轨迹对于稳定行走场景而言过于激进，必须经过大量数据筛选与增强处理才能使用。
针对上述矛盾，CWI提出将MoCap数据的使用按部位解耦：上半身操作利用完整的MoCap数据集，从中获取丰富多样的操作参考动作；下半身的稳定行走则由命令条件驱动，并通过对抗运动先验（AMP）训练的双判别器加以引导，这两个判别器分别基于经过筛选的专家级行走片段和下蹲片段训练而成。通过这种解耦，框架既保留了操作数据的多样性，又避免了不稳定移动轨迹对行走策略的干扰。
在架构层面，CWI采用多评论家（multi-critic）设计，以缓解移动、操作与动作风格三类目标之间的冲突；随后通过教师-学生蒸馏阶段，得到一个仅以双手手部姿态和速度、高度命令为输入的全身策略。这种输入设计大幅降低了部署时对全身动作捕捉设备的依赖。
作者通过仿真实验以及在完整尺寸的LimX Oli人形机器人上的真实部署对CWI进行了评估。结果显示，该系统在移动-操作任务上具有竞争力，全身协调稳健，并且无需全身动作捕捉设备即可实现实用的遥操作。论文项目主页提供了补充材料，地址为https://cwi-ral.github.io/CWI-RAL-Webpage。