FADA：通过动力学对齐实现人形机器人控制的少样本域适应
在人形机器人控制领域，实现高精度动作一直受到“目标域动力学不匹配”的制约。所谓动力学不匹配，是指当机器人所处的地形、所承载的负载或执行器的响应特性发生变化时，同一个控制目标可能诱发出截然不同的实际运动结果。这一问题使得在训练环境中表现良好的策略，在真实部署环境中往往难以维持同样的精度和稳定性。
现有方法大致分为两条路线。第一条路线追求零样本迁移，主要通过域随机化（domain randomization）或在上下文中进行适应（in-context adaptation），但这类方法并不针对具体目标域做专门化调整。第二条路线则需要借助目标域数据构建较重的适应流程，例如模型校准、残差学习或策略再训练。这些流程虽然有效，但往往依赖大量目标域数据与计算资源，部署成本较高。
针对这一矛盾，论文提出了 FADA（Few-Shot Domain Adaptation via Dynamics Alignment，即通过动力学对齐实现少样本域适应），这是一个面向人形机器人控制的三阶段“规划器—逆动力学模型”（Planner-Inverse Dynamics Model，简称 Planner-IDM）框架。该框架的核心思路是将规划与动作生成解耦，并只在部署阶段对动作生成部分做轻量调整。
FADA 的第一阶段是训练一个拥有特权信息（privileged information）的 oracle 策略。所谓特权信息，通常指在仿真训练中可获得、但在真实部署中难以直接获取的状态或环境信息。第二阶段通过 DAgger（数据集聚合）方法，将 oracle 策略的行为蒸馏到一个可部署的 Planner-IDM 学生模型中，从而把训练阶段的能力迁移到实际可用的架构上。
第三阶段发生在部署时。FADA 冻结规划器，只对逆动力学模型（IDM）进行微调，所用数据仅为约 2 分钟的目标域 rollout，并采用标准监督学习完成。值得注意的是，该方法并不要求最优示范或奖励信号，而是直接利用 rollout 过程中观测到的成对动作与观测作为监督信号，使 IDM 的动作生成与目标域动力学对齐。这一设计显著降低了适应所需的数据量与工程复杂度。
实验结果方面，论文报告称 FADA 在动力学偏移条件下优于上下文适应和端到端适应两类基线方法，任务表现得到提升，并使真实人形机器人能够执行多种高精度全身任务。作者同时提供了实现细节与硬件 rollout 视频，项目页面为 https://lecar-lab.github.io/FADA-humanoid/。
该论文由 Angchen Xie 等共 6 位作者完成，于 2026 年 6 月 26 日提交至 arXiv，编号为 arXiv:2606.28476，属于机器人学（cs.RO）方向。论文标注为 v1 版本，提交时间为 2026 年 6 月 26 日 16:05:10 UTC，全文大小约 65,047 KB，DOI 为 https://doi.org/10.48550/arXiv.2606.28476。
从方法意义上看，FADA 的价值在于把“域适应”的负担从完整策略转移到逆动力学模型上，并借助部署阶段自然产生的 rollout 数据完成对齐。这为真实机器人系统在负载变化、地形差异或执行器响应漂移等场景下的快速适配提供了一条较为实用的路径，也为人形机器人高精度全身控制的落地提供了新的参考。