OmniMimic: Dynamics-completed Motion Augmentation for Multi-style Omnidirectional Quadruped Locomotion

📄 arXiv: 2609.20566v1 📥 PDF

作者: Sheng Wu, Guoqiang Zhao, Zhe Yang, Fei Teng, Zhikun Zhou, Yanlin Yang, Zheng Fang, Hong Zheng, Yaonan Wang, Kailun Yang

分类: cs.RO, cs.CV, eess.IV

发布日期: 2026-09-17

备注: The project page is at https://OmniMimic.github.io

💡 一句话要点

提出OmniMimic以解决四足机器人运动风格多样性问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 四足机器人 运动风格 多步态策略 动力学补全 运动学监督 仿真实验 机器学习

📋 核心要点

  1. 现有方法在处理四足机器人运动时，难以通过手工奖励指定自然且多样的步态风格，且方向覆盖范围有限。
  2. OmniMimic通过结合时间反转、动力学补全和矢状面反射，构建超越观察方向的运动学监督，实现多步态策略的训练。
  3. 在仿真实验中，OmniMimic显著提升了机器人在不同速度下的运动精度，减少了足部位置和速度跟踪的均方根误差。

📝 摘要（中文）

动物示范为四足机器人提供了自然且独特的步态风格，但由于方向覆盖范围狭窄，导致在后退、侧向和转向指令上缺乏一致的监督。本文提出OmniMimic训练框架，将方向有限的动物示范转化为单一的多步态策略，覆盖目标每轴速度范围。OmniMimic结合时间反转、受限动力学补全和矢状面反射，构建超越观察方向的机器人特定运动学和物理监督。通过逐步扩展指令，从示范速度分布到目标每轴边界，使用共享演员与软门控、步态专用残差专家平衡可重用的运动技能与步态特定的修正。在仿真中，OmniMimic在前后参考速度下减少了12.9%的平均足部位置均方根误差（RMSE），在均匀笛卡尔指令网格上的速度跟踪RMSE减少了63.1%，相较于匹配的APEX基线。

🔬 方法详解

问题定义：本文旨在解决四足机器人在多样化运动风格下的训练问题。现有方法往往依赖于手工设计的奖励机制，难以有效捕捉动物示范的自然步态，且在后退、侧向和转向等方向上缺乏一致的监督。

核心思路：OmniMimic的核心思路是将方向有限的动物示范转化为一个统一的多步态策略，通过结合多种技术手段，扩展机器人在不同方向上的运动能力。这样设计的目的是为了克服现有方法的局限性，使机器人能够在更广泛的环境中灵活运动。

技术框架：OmniMimic的整体架构包括三个主要模块：首先，通过时间反转和动力学补全构建机器人特定的运动学监督；其次，逐步扩展指令以覆盖目标速度范围；最后，利用共享演员和步态专用的残差专家来平衡可重用的运动技能与步态特定的修正。

关键创新：OmniMimic的主要创新在于其结合了时间反转、受限动力学补全和矢状面反射等技术，超越了传统方法的局限，实现了多步态策略的有效训练。与现有方法相比，OmniMimic能够在更广泛的运动方向上提供一致的监督。

关键设计：在设计中，OmniMimic采用了软门控机制来管理步态专用的残差专家，并通过优化损失函数来平衡不同步态的训练效果。这些设计使得模型能够在不同速度下保持高效的运动表现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在仿真实验中，OmniMimic在前后参考速度下的平均足部位置均方根误差减少了12.9%，而在均匀笛卡尔指令网格上的速度跟踪均方根误差减少了63.1%。这些结果表明，OmniMimic在运动精度上显著优于匹配的APEX基线。

🎯 应用场景

该研究的潜在应用领域包括四足机器人在复杂环境中的自主导航、救援任务和娱乐机器人等。通过提升机器人的运动能力，OmniMimic能够在多样化的场景中实现更自然的运动表现，具有重要的实际价值和未来影响。

📄 摘要（原文）

Animal demonstrations provide quadruped robots with natural and distinctive gait styles that are difficult to specify through hand-crafted rewards. However, their narrow directional coverage leaves little style-consistent supervision for backward, lateral, and turning commands. We present OmniMimic, a training framework that turns directionally limited animal demonstrations into a single multi-gait policy over target per-axis velocity ranges. OmniMimic first combines temporal reversal, constrained dynamics completion, and sagittal reflection to construct robot-specific kinematic and physical supervision beyond the observed directions. It then expands commands progressively from the demonstrated velocity distribution toward the target per-axis bounds, and uses a shared actor with soft-gated, gait-specialized residual experts to balance reusable locomotion skills with gait-specific corrections. Across four gaits in simulation, OmniMimic reduces mean foot-position RMSE at forward and backward reference velocities by 12.9% and velocity-tracking RMSE on a uniform Cartesian command grid by 63.1%, compared with the matched APEX baseline. The project page is at https://OmniMimic.github.io.