25年9月来自浙大、西湖大学、上海交大和上海创新研究院的论文“TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning”。

近期的视觉-语言-动作 (VLA) 模型展现出跨具身泛化的潜力，但在高质量演示稀缺的情况下，难以快速与新机器人的动作空间匹配，尤其是对于双足类人机器人而言。 TrajBooster，这是一个跨具身框架，利用丰富的轮式类人机器人数据来提升双足 VLA 的性能。核心理念是将末端执行器轨迹用作与形态无关的接口。 TrajBooster (i) 从现实世界的轮式人形机器人中提取 6D 双臂末端执行器轨迹；(ii) 在模拟中将它们重定位到 Unitree G1，并使用通过启发式增强型协调在线 DAgger 训练的全身控制器，将低维轨迹参考提升为可行的高维全身动作；(iii) 形成异构三元组，将源视觉/语言与目标人形机器人兼容的动作耦合，对 VLA 进行预训练，之后仅需 10 分钟即可在目标人形机器人领域进行远程操作数据收集。策略部署在 Unitree G1 上，实现超越桌面的家务任务，支持下蹲、跨高度操作和协调的全身运动，并显著提高鲁棒性和泛化能力。结果表明，TrajBooster 允许现有的轮式人形机器人数据有效地增强双足人形机器人 VLA 性能，减少对昂贵的相同具身数据的依赖，同时增强动作空间理解和零样本技能迁移能力。

---

近期进展显著推动人形机器人操控技术的发展[1–5]。在此基础上，视觉-语言-动作 (VLA) 模型使人形机器人能够自主执行各种家务，并提高可靠性和泛化能力。

其中，轮式人形机器人尤其擅长执行需要协调全身运动的家务，例如下蹲和跨越不同高度的伸展动作，这凸显实际家居环境中对机器人实际伸展性和灵活性的要求。Agibot-World Beta 数据集 [5] 的证据表明，末端执行器的运动轨迹集中在 0.2 至 1.2 米之间（如图所示），这凸显日常家务需要在广阔的工作空间内进行灵活操控，而不仅仅是在桌面上。相比之下，双足人形机器人必须用上半身进行操控，同时保持下半身的动态平衡，这使得这种大范围的全身操控尤其具有挑战性。

与此同时，先前的 VLA 研究主要集中在复杂环境中的运动 [6, 7] 或桌面操控 [2, 3]，这留下了一个关键的空白：如何实现双足类人机器人的大范围全身操控。

实现这一目标需要大规模的演示，而数据收集仍然是瓶颈。现有的远程操作流程需要昂贵的基础设施和专业的操作员，并且通常产生的数据集规模较小，并且在不同场景和任务中的多样性有限。因此，VLA 在训练后阶段难以与新的类人机器人平台的动作空间保持一致。虽然在异构机器人语料库上进行预训练有所裨益，但它无法取代高质量、与类人机器人相关的、具有足够覆盖范围的全身演示。因此，当前的系统仍然不足以实现大范围操控。

类人机器人全身控制

近年来，现实世界中类人机器人全身控制的研究取得了长足的进步，许多研究[8– 15]主要通过基于远程操作的方法推动了该领域的发展。Humanoid-VLA [6]和 Leverb [7]等许多研究探索了利用 VLA 模型生成全身运动的自主策略。然而，这些研究主要集中在粗粒度控制上，例如坐下、挥手或行走。

相比之下，类人机器人操作任务的研究探索了通过视觉运动策略[4, 16]或 VLA 模型[2, 3]生成动作，但这些研究大多局限于桌面场景。这种场景没有充分利用类人机器人下肢的运动能力，从而限制了机器人的操作空间。虽然 Homie [17] 通过其视觉运动控制策略在解决这一限制方面取得了显著进展，但其实际应用仍然受限于需要为每个任务训练单独的策略，从而限制了其在不同任务场景中的可扩展性。

跨具身学习

跨具身学习旨在在形态各异的智能体之间迁移知识。一些方法使用修复、分割或基于物理的渲染 [18–21] 来缓解感知差异，有效地对齐观察结果，但仍然局限于感知层面。除了感知之外，研究人员还探索了具身不变的动作抽象。潜在动作表征 [5, 22–24] 提供粗粒度的隐式编码，而基于轨迹的方法 [2, 25, 26] 则将操作技巧提取为显式形式。例如，DexMV [25] 将人类的 3D 手势映射到机器人的轨迹。这些方法虽然有效，但主要解决灵巧的手部与物体的交互，无法扩展到全身运动迁移。近期的研究（例如 [27]）可以生成全身动作；然而，其适用性受到四足机器人工作空间配置的限制。

---

本文利用 TrajBooster 解决提出的那些问题。这是一个跨具身框架（如图所示），它利用末端执行器轨迹与形态无关的特性，将演示从轮式机器人迁移到双足人形机器人，从而缓解双足 VLA 微调中的数据稀缺问题，从而提升 VLA 动作空间理解能力和任务泛化能力，以便在目标双足人形机器人上进行全身操控。

关键洞察在于，尽管形态上存在差异，但末端执行器轨迹提供一个共享接口，可以弥合具身之间的关节空间差距。利用来自轮式人形机器人 Agibot G1 的大规模数据，通过“真实-模拟-真实”的流程，间接增强双足机器人 Unitree G1 的 VLA 训练。

真实轨迹提取

用 Agibot-World 测试数据集 [5] 中的操作数据作为真实机器人数据源。该数据集包含超过一百万条真实机器人轨迹，涵盖多视角视觉信息、语言指令和 6D 末端执行器姿态。然而，由于 Agibot 和 Unitree G1 之间的工作空间差异，直接基于末端执行器位置和方向轨迹进行重定向并不合适。例如，Agibot 的臂展在完全伸展时可达 1.8 米，而 Unitree G1 的臂展仅为 1.2 米。

为了解决这个问题，将 Agibot 数据集的轨迹映射到 Unitree 官方 G1 操作数据集 [28]，后者包含 7 个桌面级任务的 2,093 个场景。具体来说，通过基于后者应用 z-分数归一化，将 Agibot 数据的 x 轴与 G1 对齐，使用与手臂长度成比例的缩放因子 β = 0.6667 重新缩放 y 轴，并将 z 轴裁剪至 [0.15,1.25] 范围内，并设置安全边界。

仿真中的重定向

模型架构

鉴于 Agibot-World 数据集包含大量家务任务，其 z 坐标主要分布在 0.2 至 1.2 米之间，成功的全身操控需要协调的下肢运动（例如下蹲）。为了解决这个问题，提出一个用于全身操控重定向的复合分层模型（如图所示）。具体而言：

手臂策略 (P_IK)：通过 Pinocchio [29] 使用闭环逆运动学 (CLIK) 计算目标关节角度。

工作者策略 (P_worker)：一种目标条件强化学习策略，遵循 [17] 进行训练，使用上肢运动课程，以增强抗干扰鲁棒性。它输出 12-自由度下肢的目标关节位置。

管理者策略（P_manager）：根据手腕姿势生成下半身命令。

复合层次模型 H 集成以下组​​件：
(a^leg_t, a^arm_t) = H(T_BE) = P_worker (P_manager (T_BE)), P_IK(T_BE))。

该模型以末端执行器相对于机器人基座的位姿 T_BE 作为输入，输出由 PD 控制器执行的 Unitree G1 关节指令。

分层模型训练

分层模型训练包含两个阶段：P_worker 训练，以及通过启发式在线学习进行 P_manager 训练（如下算法 1）。

P_manager 训练的关键步骤如下：

种子轨迹收集：在 MuJoCo 中，初始化 Unitree G1 站立模型，重放包含 2,093 个 episode 的上肢运动数据集 [28]，并记录生成的轨迹。
轨迹增强：对种子轨迹应用 PCHIP（分段三次 Hermite 插值多项式）插值，生成高度变化 ∈ [0.15m,1.25m]，从而实现不同高度的全身操控。

启发式目标指令 (a^∗ ) 生成：启发式真实高度目标 h^∗ 由种子轨迹的 PCHIP 插值高度得出。启发式速度指令 (v^∗_x , v^∗_y , v^∗_yaw ) 是根据人形机器人在 Isaac Gym 中相对于其初始位置的基准位移计算得出的，假设规划范围为 1 秒。

协调在线 DAgger：为简便起见，P_manager 和状态 s_t（代表 T_BE）分别表示为 P_m 和 s_t。在每次迭代中，P_m 在 Isaac Gym 中的 N 个并行环境中执行 T 步展开（T = 50）。最小化损失记为 L_rollout。

为了缓解持续学习中的灾难性遗忘，实现一种协调的数据集聚合 (DAgger) 策略。与每次迭代都聚合数据的标准 DAgger [30] 不同，对聚合过程进行子采样，来平衡数据效率和计算效率——具体来说，每 M = 10 次迭代仅合并一次新的演示。随后，最小化聚合数据集损失 L_DA。
至关重要的是，该流程利用实际部署中无法获得的特权信息。具体而言，在模拟中，可以访问与当前目标 6D 操作轨迹相对应的躯干高度，以及人形机器人相对于相应身体位置的基准位移。这些特权信息使得启发式目标命令 a^∗ 能够高效生成，从而促进 P_manager 的有效训练。

使用重定向数据进行后预训练

后预训练 (PPT) 是预训练和后训练之间的中间阶段，是大语言模型 (LLM) [31, 32] 和视觉-语言模型 (VLM) [33] 中广泛采用的技术。同样，对于 VLA，预计该方法也将增强模型对下游任务的快速适应能力，并增强对动作空间的适应和理解能力，如图所示。

在本研究中，将重定向动作数据与来自原始 Agibot-World 数据集的语言指令和视觉观察相结合，构建多模态数据三元组。这些三元组用于对预训练的 GR00T N1.5 模型 [3] 进行后预训练。

后预训练阶段采用的目标函数与 [3] 中描述的后训练阶段相同。给定一个真实动作块 A_t 和采样噪声 ε，构建一个带噪声动作块：A^τ_t = τ A_t + (1 − τ )ε，其中 τ ∈ [0,1] 表示流匹配时间步长。模型 V_θ (φ_t , A^τ_t , q_t ) 通过最小化流匹配损失 L_fm(θ) 来预测去噪矢量场 ε − A_t。

在推理过程中，用 4 个去噪步骤生成跨越 16 个时间步长、频率为 20Hz 的动作块。每个块包含手臂和手的关节位置命令，以及用于 P_worker 模块的下半身控制命令 (v_x, v_y, v_yaw, h)，从而使 VLA 模型能够实现对人形机器人的全身控制。

后训练

远程操作数据收集。采用与 P_worker 相同的训练方法来生成下半身运动。然而，与分层模型 H 不同，P_worker 的控制命令来自人类操作员通过遥控器操纵杆发出。对于上半身运动（包括手臂和手部运动），采用 [34] 中提出的基于 Apple Vision Pro 的远程操作框架来实现运动学映射。用两个腕部 RGB 摄像头（左、右）和一个头部 RGB 摄像头收集视觉数据。

在目标人形机器人上微调 VLA。收集到的远程操作数据用于对预训练后的 VLA 模型进行后训练，方法是最小化前面提到的流匹配损失 L_fm(θ)。

---

重定向模型评估

基线。使用 Harmonized Online DAgger 训练分层模型。为了验证该方法在追踪模型训练中的有效性和效率，与几个基线进行比较：基于奖励的 PPO、标准 DAgger、在线学习（M = 1，不使用 DAgger）、标准在线 DAgger（M = 1，使用 DAgger）。

实施细节。所有实验均采用 512 个并行环境，进行 200 次训练迭代，但 PPO 除外，它使用 800 次迭代来解释其附加的值模型训练。训练和推理均在配备 Intel Core i9-14900K CPU 的单块 RTX 4090 GPU 上进行。

使用后预训练在 VLA 上进行评估

数据集。对于 Agibot-World 测试版数据集中的每个任务，随机抽取 10 个 episodes。涉及灵巧手和平行夹持器的任务则进行单独抽样，每种末端执行器类型选择 10 个 episodes。对于 episodes 少于 10 个的任务，所有有效 episodes 均纳入其中，而出现帧错误的 episodes 则被系统地排除。此过程产生一个包含 176 个不同任务和 1960 个 episodes 的数据集，相当于大约 35 小时的模拟交互。然后对这些数据进行预处理。利用 Isaac Gym 的环境并行性，在几十分钟内对所有 episodes 进行分层身体运动重定向。基于这些重定位的身体运动，实现末端执行器映射：Agibot-World 使用夹爪（85% 的轨迹）和手（15%），因此将拇指/食指的张开映射到夹爪空间；对于目标末端执行器 Unitree Dex-3（7 自由度手），预收集的开/闭关节位置作为重定位目标。重定位的 Unitree G1 运动取代了原始的执行器命令，生成多模态（动作、语言、视觉）数据三元组。对于后续的后训练，使用 Unitree G1 人形机器人在四种不同的高度配置下收集 28 个真实世界的全身操作数据，如图所示。该数据集包含大约 10 分钟的操作时间。

基线。建立无需进行后预训练的 VLA 作为基线：在预训练的 GR00T N1.5 上直接对模型进行 3K 和 10K 步后训练。将这些结果与训练后 3K 步的 VLA 后预训练结果进行比较。

实施细节。预训练后在双 A100 80GB GPU 上使用重定位的动作-视觉-语言三元组（批次大小=128，60K 步）；训练后在单个 A100 GPU 上使用真实世界的全身操控数据（批次大小=16，3K 步）。同时，从 GR00T N1.5 检查点（仅使用真实世界数据）训练两个控制模型：一个 3K 步变型和一个 10K 步变型，均在单个 A100 GPU 上训练，批次大小为 16。