研究者提出跨本体全身控制迁移框架TRACE

Qingyu Lan 等研究者在预印本中提出人形机器人跨本体全身控制迁移学习框架 TRACE，可在保留预训练运动表征的同时使反馈控制适配新机器人本体。 研究团队通过注入运动学先验、对齐关节动力学，并结合编码器蒸馏与两阶段低秩强化学习，在单张 RTX PRO 6000 GPU 上训练约 8 小时完成了从 Unitree G1 到 Unitree H2 的控制器迁移，训练开销不到从头训练的 0.1%。研究者称，适配后的控制器在 67,953 个评估动作中达到 96.08% 的成功率，并已在真实机器人上完成动态动作跟踪与全身遥操作验证。

AI 根据报道生成 · 43 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。