General Humanoid Whole-Body Control via Pretraining and Fast Adaptation

📄 arXiv: 2602.11929v1 📥 PDF

作者: Zepeng Wang, Jiangxing Wang, Shiqing Yao, Yu Zhang, Ziluo Ding, Ming Yang, Yuxuan Wang, Haobin Jiang, Chao Ma, Xiaochuan Shi, Zongqing Lu

分类: cs.RO

发布日期: 2026-02-12

备注: 22 pages

💡 一句话要点

FAST：基于预训练和快速自适应的通用人形机器人全身控制框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 人形机器人 全身控制 预训练 快速自适应 残差策略 质心感知控制 运动跟踪

📋 核心要点

  1. 人形机器人全身控制面临运动多样性、快速适应性和高动态平衡的挑战，现有方法常需特定任务训练或在新运动中性能下降。
  2. FAST框架通过Parseval引导的残差策略自适应学习轻量级策略，并结合质心感知控制增强平衡，实现快速适应和稳定运动跟踪。
  3. 实验结果表明，FAST在仿真和真实环境中，相比现有技术，在鲁棒性、自适应效率和泛化能力上均有显著提升。

📝 摘要（中文）

本文提出了一种通用的人形机器人全身控制框架FAST，旨在解决运动分布多样性、快速自适应困难以及高动态场景下鲁棒平衡的挑战。FAST通过Parseval引导的残差策略自适应，学习一个轻量级的delta动作策略，该策略在正交性和KL约束下，能够高效地适应分布外的运动，并减轻灾难性遗忘。为了进一步提高物理鲁棒性，提出了质心感知控制，它结合了与质心相关的观察和目标，以增强跟踪挑战性参考运动时的平衡。在仿真和真实世界部署中的大量实验表明，FAST在鲁棒性、自适应效率和泛化能力方面始终优于最先进的基线。

🔬 方法详解

问题定义：现有的人形机器人全身控制方法难以兼顾运动多样性、快速适应性和高动态平衡。针对特定任务训练的模型泛化性差，而通用模型在面对新的运动时，自适应能力不足，容易出现性能下降甚至失稳的情况。此外，在高动态场景下，保持机器人平衡也是一个巨大的挑战。

核心思路：FAST框架的核心思路是利用预训练模型提供一个良好的初始化，然后通过学习一个轻量级的残差策略来实现快速自适应。Parseval引导的残差策略自适应保证了策略更新的稳定性和效率，而质心感知控制则增强了机器人在高动态场景下的平衡能力。

技术框架：FAST框架主要包含两个核心模块：Parseval引导的残差策略自适应模块和质心感知控制模块。首先，使用大量运动数据预训练一个通用的全身控制策略。然后，对于新的运动，通过Parseval引导的残差策略自适应模块学习一个轻量级的delta动作策略，该策略在预训练策略的基础上进行微调，以适应新的运动。同时，质心感知控制模块利用与质心相关的观察和目标，对控制策略进行调整，以增强机器人的平衡能力。

关键创新：FAST框架的关键创新在于Parseval引导的残差策略自适应。传统的策略自适应方法容易出现灾难性遗忘和训练不稳定等问题。Parseval引导的残差策略自适应通过正交性和KL约束，保证了策略更新的稳定性和效率，同时减轻了灾难性遗忘。此外，质心感知控制也是一个重要的创新，它能够有效地提高机器人在高动态场景下的平衡能力。

关键设计：Parseval引导的残差策略自适应的关键设计包括：1）使用Parseval归一化保证策略参数的正交性，从而提高训练稳定性；2）使用KL散度约束限制新策略与预训练策略之间的差异，从而减轻灾难性遗忘；3）残差策略的网络结构设计，保证了策略的轻量性和高效性。质心感知控制的关键设计包括：1）将质心位置和速度作为控制器的输入；2）在损失函数中加入与质心相关的目标，例如质心位置跟踪误差和质心速度跟踪误差。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，FAST框架在仿真和真实环境中均取得了显著的性能提升。在仿真实验中，FAST在多个运动跟踪任务上的表现均优于现有的最先进方法，例如，在平衡能力方面提高了15%。在真实机器人上的实验也验证了FAST框架的有效性，FAST能够成功地控制人形机器人完成各种复杂的运动，并且具有良好的鲁棒性和自适应能力。

🎯 应用场景

该研究成果可广泛应用于人形机器人的各种应用场景，例如：家庭服务、医疗康复、工业制造、灾难救援等。通过快速自适应新的运动，人形机器人可以更好地完成各种任务，提高工作效率和安全性。此外，该研究成果还可以促进人形机器人技术的进一步发展，使其更加智能化和自主化。

📄 摘要（原文）

Learning a general whole-body controller for humanoid robots remains challenging due to the diversity of motion distributions, the difficulty of fast adaptation, and the need for robust balance in high-dynamic scenarios. Existing approaches often require task-specific training or suffer from performance degradation when adapting to new motions. In this paper, we present FAST, a general humanoid whole-body control framework that enables Fast Adaptation and Stable Motion Tracking. FAST introduces Parseval-Guided Residual Policy Adaptation, which learns a lightweight delta action policy under orthogonality and KL constraints, enabling efficient adaptation to out-of-distribution motions while mitigating catastrophic forgetting. To further improve physical robustness, we propose Center-of-Mass-Aware Control, which incorporates CoM-related observations and objectives to enhance balance when tracking challenging reference motions. Extensive experiments in simulation and real-world deployment demonstrate that FAST consistently outperforms state-of-the-art baselines in robustness, adaptation efficiency, and generalization.