人形機器人領域長期面臨一個難題：當機器人需要從行走進化為奔跑時，通常需要從頭開始重新學習運動技能。現有的方法往往依賴預定義步態計劃、模仿運動片段或訓練多個專家策略再切換，這些方法雖然能產生令人印象深刻的行為，但在連續速度指令、不同地形和形態上的靈活性有限。例如，預設步態計劃無法適應即時速度變化，而多專家切換策略在延遲和穩定性上存在挑戰。
針對這一挑戰，Kwan-Yee Lin及其團隊提出了GaitSpan框架，該框架將預訓練的基礎行走策略作為“種子技能”，透過三個關鍵模組將其擴充套件為更快的步態。首先，節奏生成模組利用多個內部時鐘調變凍結的行走策略，並學習基於指令的組合方式，從而產生適應不同速度的規範動作。內部時鐘的速度和相位可獨立調節，使得機器人能夠在步態週期內靈活調整節奏。其次，步幅塑造模組採用受彈簧-負載倒立擺動力學啟發的物理目標，獎勵與指令速度匹配的動態運動模式。這一目標函式避免了手工設計的軌跡，而是讓機器人自然發展出高效的能量利用模式。最後，殘差適應模組捕捉前兩個模組未能覆蓋的運動細節，如腳踝的微調或軀幹的姿態補償，確保步態的穩定性和流暢性。
GaitSpan的突破性在於，它是首個能夠透過單一指令調節的策略實現從行走到慢跑乃至奔跑連續範圍的人形機器人系統。該策略不僅能在不同機器人形態間遷移（例如從輕盈的小型人形機器人到重型全尺寸機器人），還能零樣本部署於未見過的模擬和真實地形，包括斜坡、沙地和崎嶇路面。與基於多專家或人類模仿的基線方法相比，GaitSpan訓練速度更快（僅需數小時即可收斂），且步態效能更強，在速度跟蹤誤差和能耗方面均有顯著改善。
這項研究為人形機器人的運動技能增長提供了新的思路，有望在救援、探索和服務等領域實現更靈活、高效的移動能力。該論文已被提交至arXiv，專案頁面也已公開，供研究人員參考和復現。透過這種技能增長的方式，人形機器人可以更自然地從基本行走能力擴充套件到更復雜的運動模式，而無需每次都從零開始學習。這大大提高了學習效率，並增強了機器人在真實世界中的適應性。未來的工作可能包括將GaitSpan應用於更復雜的任務，如攜帶負載或跨越障礙物，從而進一步推動人形機器人的實用化程序。