RecMorph: Topology-Guided Spatial Recurrence for Generalized Morphology Control

📄 arXiv: 2609.18359v1 📥 PDF

作者: Quanrui Rao, Yong Liu, Xueming Xiao, Yingbo Luo, Kun Wu, Zhenyu Xu, Meibao Yao

分类: cs.RO, cs.LG

发布日期: 2026-09-16

备注: 26 pages. Code and experimental resources are available at https://github.com/quanruirao/RecMorph

🔗 代码/项目: GITHUB

💡 一句话要点

提出RecMorph以解决通用形态控制中的信息传递问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 通用形态控制 拓扑引导 空间递归 信息传递 机器人控制 运动协调 深度学习

📋 核心要点

  1. 现有的形态控制方法在跨肢体信息传递和全身运动协调方面存在不足，难以应对复杂的物理角色和身体尺寸变化。
  2. RecMorph通过拓扑引导的空间递归架构，利用递归序列计算实现跨肢体通信和信息转换，提升了效率和稳定性。
  3. 在五个UNIMAL任务中，RecMorph在训练性能和推理吞吐量上均优于现有的通用形态控制器，展示了其有效性和高效性。

📝 摘要（中文）

通用形态控制需要一个单一策略来跨越不同物理角色的肢体进行信息转换，协调全身运动，并在身体尺寸增大时保持高效。现有的通信机制仅部分满足这些要求。本文提出了RecMorph，一种基于拓扑引导的空间递归架构，利用递归序列计算共同执行跨肢体通信和表示转换。通过深度优先遍历将运动学树转换为形态派生序列，沿着该序列共享的双向转换逐步转化肢体信息。实验结果表明，RecMorph在五个UNIMAL任务中表现出色，具有最高的推理吞吐量，并且在未见变体和最多30个肢体的情况下具有良好的泛化能力。

🔬 方法详解

问题定义：论文旨在解决通用形态控制中跨肢体信息传递和全身运动协调的挑战。现有方法在处理不同物理角色和身体尺寸变化时表现不佳，无法有效整合信息。

核心思路：RecMorph的核心思路是通过拓扑引导的空间递归架构，利用递归序列计算实现信息的共享和转换。这种设计旨在提高信息传递的效率和稳定性，适应复杂的运动需求。

技术框架：RecMorph的整体架构包括深度优先遍历的运动学树转换、形态派生序列生成、双向信息转换和动作解码等主要模块。通过这些模块的协同工作，系统能够有效地进行信息处理。

关键创新：RecMorph的主要创新在于其拓扑引导的递归变换机制，这一机制与现有方法相比，提供了更高效的信息传递方式，特别是在处理复杂的肢体结构时。

关键设计：在设计上，RecMorph采用了残差保留、RMS归一化和输入依赖的通道调制等技术细节，以稳定重复的空间变换，并在固定模型宽度和深度下实现线性标记复杂度。实验中还使用了特定的损失函数和网络结构，以优化性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在五个UNIMAL任务中，RecMorph实现了最高的平均最终训练性能，并在FT上达到了最高的推理吞吐量。相较于专门的多层感知机，RecMorph在名义速度均方根误差上降低了43.5%，并且在四个平台的四足机器人设置中表现出色，完成了40次物理试验而未发生跌倒。

🎯 应用场景

RecMorph的研究成果在机器人控制、运动模拟和人机交互等领域具有广泛的应用潜力。通过有效的形态控制，该方法能够提升机器人在复杂环境中的适应能力和运动协调性，推动智能机器人技术的发展。

📄 摘要（原文）

Generalized morphology control requires a single policy to transform information across limbs with different physical roles, coordinate whole-body motion, and remain efficient as body size grows. Existing communication mechanisms address these requirements only partially. We introduce RecMorph, a topology-guided spatial recurrent architecture that uses recurrent sequence computation to jointly perform cross-limb communication and representation transformation. A depth-first traversal converts the kinematic tree into a morphology-derived sequence, along which shared bidirectional transitions progressively transform limb information before action decoding. Residual preservation, RMS normalization, and input-dependent channel modulation stabilize this repeated spatial transformation, yielding linear token complexity at fixed model width and depth. Across five UNIMAL tasks, RecMorph achieves the strongest mean final training performance among the evaluated generalized morphology controllers and the highest measured inference throughput on FT, while generalizing to unseen variations and bodies with up to 30 limbs. We further migrate representative generalized controllers from UNIMAL benchmarks to a four-platform quadruped setting. RecMorph achieves the best macro-averaged performance under nominal and high friction, reduces nominal velocity RMSE by 43.5% relative to specialist MLPs, and one shared policy completes 40 physical Go1/Go2 trials without falls. These results show that topology-guided recurrent transformation provides an effective and efficient communication mechanism for Generalized Morphology Control and remains effective when transferred from procedural bodies to physical robot platforms. Code and experimental resources are publicly available at https://github.com/quanruirao/RecMorph.