Behavior Foundations for Quadruped Robots: ABot-C0 Technical Report
作者: Xufeng Zhao, Fuzhi Yang, Jianhui Chen, Li Gao, Zhang Meng, Jie Gao, Yao Zheng, Wenyu Liu, Menglin Yang, Minqi Gu, Yaru Zhao, Honglin Han, Shihui Su, Zixiao Tang, Liu Liu, Mu Xu, Yang Cai, Wenbin Tang
分类: cs.RO, cs.AI, cs.HC, cs.LG
发布日期: 2026-07-08
备注: Abot-C0 project page will be released later
💡 一句话要点
提出ABot-C0以解决四足机器人运动控制的可扩展性问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 四足机器人 运动控制 行为智能 策略学习 多源数据
📋 核心要点
- 现有的四足机器人运动控制方法面临运动数据稀缺和跨实体重定向脆弱等挑战，限制了其可扩展性和物理可行性。
- 论文提出了ABot-C0系统，通过建立多源运动数据管道和稳健的策略学习，解决了四足机器人运动控制的关键问题。
- 实验表明，ABot-C0在城市地形自主导航和多模态交互中表现出色，推动四足机器人向产品级行为智能发展。
📝 摘要（中文）
在具身智能系统中，运动控制器是语义推理与物理执行之间的关键桥梁。尽管人形控制通过大规模的人体运动捕捉数据和运动跟踪范式取得了快速进展，但四足机器人在运动数据的可扩展性和物理可行性方面面临更根本的障碍。本文提出了ABot-C0，一个通用的四足机器人运动控制系统，建立了三个互补的行为基础：可扩展的多源运动数据管道、跨运动跟踪、行走和场景交互的稳健策略学习，以及可靠的现实世界操作的统一部署栈。通过条件视频生成合成、标注运动捕捉、遥操作和人类设计，构建了一个数据金字塔，生成了16,074个物理可行的运动片段，作为各种运动学习需求的数据基础。我们训练的Flow-Matching通用策略首次展示了四足运动跟踪的可扩展性规律，随着训练规模的扩大，性能持续提升，并具备零样本跟踪未见运动的能力。
🔬 方法详解
问题定义：本文旨在解决四足机器人运动控制中的可扩展性和物理可行性问题，现有方法在运动数据的获取和应用上存在明显不足。
核心思路：ABot-C0系统通过构建多源运动数据管道和稳健的策略学习框架，提供了一个全面的解决方案，旨在实现四足机器人在复杂环境中的高效运动控制。
技术框架：系统整体架构包括数据金字塔的构建、Flow-Matching通用策略的训练，以及三阶段特权到感知的框架，结合时间LiDAR记忆和地形预测监督，确保在真实世界中的可靠操作。
关键创新：最重要的创新在于首次提出四足运动跟踪的可扩展性规律，表明随着训练规模的扩大，性能持续提升，并具备零样本能力。
关键设计：关键设计包括条件视频生成合成、运动捕捉数据的标注、以及多策略执行的协调机制，确保了运动控制的平滑过渡和能效优化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，ABot-C0在城市地形自主导航中表现优异，成功实现了多模态交互，四足机器人在复杂环境中的运动能力显著提升，验证了其在产品级行为智能方面的潜力。
🎯 应用场景
该研究的潜在应用领域包括自主移动机器人、智能陪伴机器人以及复杂环境下的任务执行。ABot-C0的设计和实现为未来四足机器人在多样化场景中的应用提供了坚实基础，具有重要的实际价值和广泛的市场前景。
📄 摘要（原文）
In embodied intelligence systems, the motion controller serves as the critical bridge between semantic reasoning and physical execution. Humanoid control has progressed rapidly through large-scale human motion-capture data and motion-tracking paradigm. However, producing quadruped robots motion corpora with scalability and physical feasibility faces more fundamental obstacles: animal motion data is scarce, and cross-embodiment retargeting remains fragile. We present ABot-C0, a generalist motion-control system for quadruped robots that establishes three complementary behavior foundations: a scalable multi-source motion-data pipeline, robust policy learning across motion tracking, locomotion, and scene interaction, and a unified deployment stack for reliable real-world operation. Fundamentally, we construct a data pyramid through conditional video-generation synthesis, annotated motion capture, teleoperation and human design, producing 16,074 physically feasible motion clips as the data foundation for various motion learning demands. We then train a Flow-Matching generalist policy that demonstrates for the first time quadruped motion tracking scaling law that its performance improves consistently as training scales up, with zero-shot capability to track unseen motions. Then, we push a step further for robust all-terrain traversal locomotion by adopting a three-stage privileged-to-perceptive framework with temporal LiDAR memory and terrain-predictive supervision. Collectively, these components form a motion generalist that coordinates multi-policy execution, smooth behavior transitions, energy-efficient control, and safety mechanisms for real-world deployment. Extensive experiments on urban-terrain autonomous navigation and companion-style multimodal interaction demonstrate that quadruped robots move beyond single-function demos toward product-level behavioral intelligence.