Scaling Behavior Foundation Model for Humanoid Robots
作者: Weishuai Zeng, Kangning Yin, Xiaojie Niu, Shunlin Lu, Weixiang Zhong, Jiahe Chen, Feiyu Jia, Xiao Chen, Zirui Wang, Furui Xu, Ming Zhou, Kailin Li, Weinan Zhang, He Wang, Li Yi, Dahua Lin, Jiangmiao Pang, Jingbo Wang
分类: cs.RO, cs.AI
发布日期: 2026-07-16
💡 一句话要点
提出行为基础模型以提升类人机器人控制能力
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 类人机器人 行为基础模型 运动跟踪 控制精度 模型架构 任务泛化 智能机器人
📋 核心要点
- 现有类人机器人控制方法在自然协调性、实时响应和环境适应性方面存在不足，限制了其应用。
- 本研究提出了一种新的行为基础模型，通过协调运动跟踪学习、在线回放数量与参考运动多样性，提升类人机器人控制能力。
- 实验结果表明，所提方法在控制精度和任务泛化能力上显著优于现有类人控制器，MPKPE在局部和全局模式下分别降低超过10%和82%。
📝 摘要（中文）
类人机器人的控制需要自然的全身协调、对控制信号的精确实时响应，以及在多样环境中的强健泛化能力，成为通用化具身智能体的基石。行为基础模型（BFMs）作为一种新兴解决方案，通过利用大规模行为数据实现卓越的表现力和泛化能力。然而，如何有效协调学习范式、行为数据和模型架构以实现BFMs的扩展仍不明确。本研究重新审视BFMs的扩展策略，证明通过协调运动跟踪学习范式、策略性地平衡在线回放数量与参考运动多样性，以及采用可扩展的类人变换器架构，可以显著提升控制精度和任务泛化能力。实验结果显示，在局部模式下，平均每关键点位置误差（MPKPE）降低超过10%，在全局模式下降低82%。
🔬 方法详解
问题定义：本研究旨在解决类人机器人控制中的自然协调性、实时响应和环境适应性不足的问题。现有方法在处理复杂控制任务时常常表现不佳，缺乏有效的泛化能力。
核心思路：论文提出通过协调三大核心组件来提升BFMs的性能：运动跟踪学习范式、在线回放数量与参考运动多样性的策略性协同，以及一种新的可扩展的类人变换器架构。这种设计旨在实现更自然的全身行为再现。
技术框架：整体架构包括三个主要模块：1) 运动跟踪学习模块，将类人控制问题重新表述为全身行为的再现；2) 在线回放与参考运动多样性模块，优化训练数据的多样性与数量；3) 类人变换器架构，促进结构化行为表示的自然出现。
关键创新：最重要的技术创新在于提出的类人变换器架构，它能够有效整合多种行为数据，提升模型的表现力和可扩展性。这与现有方法的静态架构形成鲜明对比。
关键设计：关键设计包括运动跟踪的损失函数设置、参考运动的多样性策略，以及类人变换器的网络结构，确保模型在训练过程中能够有效捕捉复杂的行为模式。通过这些设计，模型在控制精度和泛化能力上取得了显著提升。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在控制精度上取得了显著提升，局部模式下平均每关键点位置误差（MPKPE）降低超过10%，而在全局模式下降低高达82%。这些结果表明，BFM作为一种有效的基础模型，能够显著提升类人机器人控制的可扩展性和通用性。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、娱乐机器人和人机交互系统等。通过提升类人机器人的控制能力，可以实现更自然的交互和更复杂的任务执行，推动智能机器人在实际生活中的应用和普及。未来，该技术可能在智能家居、医疗辅助和教育等多个领域产生深远影响。
📄 摘要（原文）
Humanoid control requires natural whole-body coordination, precise real-time responses to control signals, and robust generalization across diverse environmental contexts, making it a cornerstone for generalist embodied agents. Behavior Foundation Models (BFMs) have recently emerged as a promising solution to address these challenges by leveraging large-scale behavioral data to achieve superior expressiveness, versatility and generalization. However, despite growing interest in scaling BFMs to further improve their capabilities, it remains unclear how key factors, including the learning paradigm, behavioral data and model architecture should be coordinated to enable effective scaling. In this work, we revisit the scaling recipe for BFMs and demonstrate that substantial performance gains can be achieved through the coordination of three core components: 1) the learning paradigm of motion tracking that reformulates diverse humanoid control problems as the reproduction of integrated whole-body behaviors in the global frame; 2) the strategic synergy between on-policy rollout quantity and reference motion diversity; and 3) the expressive and scalable model architecture termed Humanoid Transformer that facilitates the natural emergence of structured behavioral representations. Through extensive experiments in both simulation and real-world deployment, we demonstrate that our approach yields significant improvements in control fidelity and task generalization, reducing Mean Per-Keypoint Position Error (MPKPE) on the test set by over 10% in local mode and 82% in global mode compared with existing humanoid controllers. These results establish BFM as a principled and effective foundation for scalable and general-purpose humanoid control.