What Matters in Humanoid General Motion Tracking? An Empirical Study

📄 arXiv: 2607.19903v1 📥 PDF

作者: Fabio Amadio, Enrico Mingo Hoffman

分类: cs.RO

发布日期: 2026-07-22

💡 一句话要点

提出YAHMP框架以解决类人机器人运动跟踪问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 类人机器人 运动跟踪 模块化框架 运动模仿 平衡控制 实证研究

📋 核心要点

  1. 现有的类人机器人运动跟踪方法在多样化的运动参考跟踪和保持平衡方面面临挑战，难以评估设计选择的具体影响。
  2. 本文提出了YAHMP框架，通过控制实验比较不同的建模和训练因素，以优化类人机器人运动跟踪策略的设计。
  3. 实验结果表明，某些设计选择对跟踪效果有显著影响，而其他选择则主要影响执行效率和训练复杂度。

📝 摘要（中文）

类人机器人运动跟踪需要能够跟随多样化的全身参考并保持平衡的策略。本文通过对常见建模和训练因素的实证研究，探讨了这些因素对运动模仿管道的影响。为确保研究的可控性和可重复性，开发了开源模块化框架YAHMP，用于训练、评估和部署全身运动跟踪策略。通过比较不同的运动命令表示、观察历史、动作表示等变体，评估了在真实Unitree G1上的零样本部署效果，展示了多样化的全身运动跟踪能力和在外部扰动下的平衡能力。

🔬 方法详解

问题定义：本文旨在解决类人机器人在多样化运动跟踪中的平衡与跟踪精度问题。现有方法在设计选择的影响评估上存在不足，难以明确哪些因素对性能有实质性贡献。

核心思路：通过开发YAHMP框架，进行系统的实证研究，比较不同的运动命令表示、观察历史等因素对运动跟踪策略的影响，从而优化设计选择。

技术框架：YAHMP框架包含多个模块，主要包括运动命令表示模块、观察历史处理模块、动作表示模块和训练策略模块。每个模块负责特定的功能，确保整体系统的可扩展性和灵活性。

关键创新：YAHMP框架的创新在于其模块化设计和系统的实证比较方法，使得研究者能够清晰地识别出影响运动跟踪效果的关键因素，与现有方法相比，提供了更为系统和可重复的研究路径。

关键设计：在YAHMP中，定义了标准配置，并比较了不同的参数设置，如手部力量随机化、训练方法等，确保在训练过程中能够有效提升策略的性能。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，YAHMP框架下的策略在真实Unitree G1上实现了多样化的全身运动跟踪能力，能够在外部扰动下保持平衡。与TWIST2基线相比，YAHMP在跟踪精度和执行效率上有显著提升，具体性能数据未详细提供。

🎯 应用场景

该研究的潜在应用领域包括服务机器人、娱乐机器人以及人机交互系统等。通过优化类人机器人的运动跟踪能力，可以提升其在复杂环境中的适应性和交互能力，具有重要的实际价值和未来影响。

📄 摘要（原文）

Humanoid general motion tracking requires policies that can follow diverse whole-body references while maintaining balance. Building such policies involves many practical design choices, and their individual effects are often hard to assess. We address this issue with an empirical study of common modeling and training factors used in recent humanoid motion-imitation pipelines. To make the study controlled and reproducible, we developed YAHMP, an open-source modular framework for training, evaluating, and deploying whole-body motion tracking policies on the Unitree G1. Within YAHMP, we define a nominal configuration and compare variants that differ in motion-command representation, observation history, action representation, actuation profile, hand-force randomization during training, and training approach. We evaluate the resulting policies on a test set of retargeted human motions and compare the nominal policy with TWIST2 as an external baseline trained on the same motion set. The results distinguish choices with clear tracking effects from choices that mainly change actuation effort, training complexity, or physical interaction capability. Finally, we deploy YAHMP policies zero-shot on the real Unitree G1, demonstrating diverse whole-body motion tracking, balance under external perturbations, and forceful interaction.