TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments
作者: Qingyu Lan, Zhihao Tian, Zifan Wang, Junwei Liang
分类: cs.RO
发布日期: 2026-10-13
💡 一句话要点
提出TRACE框架以解决类人机器人控制的跨体型适应问题
🎯 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: 类人机器人 迁移学习 运动学先验 强化学习 全身控制
📋 核心要点
- 现有方法在将预训练控制器适应于新体型时，面临运动学和动力学不匹配的挑战，导致适应效率低下。
- TRACE框架通过注入运动学先验和结合编码器蒸馏与低秩强化学习，提升了跨体型适应的效率和稳定性。
- 实验结果显示，TRACE在10百万运动帧上训练，仅用8小时便实现了96.08%的成功率，显著降低了训练成本。
📝 摘要（中文）
类人行为基础模型（BFMs）能够实现多样化的全身控制，但将预训练控制器适应于新体型仍然面临运动学和动力学不匹配的挑战。本文提出TRACE框架，通过在输入和输出投影层中注入运动学先验，减少体型不匹配并支持稳定的微调。TRACE结合编码器蒸馏与低秩强化学习，使用经过筛选的紧凑运动集，采用两阶段课程以建立稳定跟踪。实验表明，TRACE能有效将SONIC从Unitree G1迁移至Unitree H2，训练成本仅为从头训练的0.1%。
🔬 方法详解
问题定义：本文旨在解决类人机器人控制器在不同体型间迁移时的运动学和动力学不匹配问题。现有方法在适应新体型时效率低下，难以保持预训练模型的性能。
核心思路：TRACE框架通过在输入和输出投影层中注入运动学先验，减少体型间的差异，并结合编码器蒸馏与低秩强化学习，提升适应过程的稳定性和效率。
技术框架：TRACE的整体架构包括两个主要阶段：首先注入运动学先验以对齐关节动态，其次通过两阶段课程训练实现稳定跟踪和难度运动的精细调整。
关键创新：TRACE的主要创新在于将运动学先验与编码器蒸馏相结合，显著提高了跨体型适应的效率，解决了现有方法在动态跟踪中的不足。
关键设计：TRACE使用了经过筛选的紧凑运动集，采用低秩强化学习策略，设计了特定的损失函数以优化跟踪性能，并在训练过程中调整了网络结构以适应不同体型的需求。
🖼️ 关键图片
📊 实验亮点
TRACE在将SONIC从Unitree G1迁移至Unitree H2的实验中，仅用8小时训练，成功率达到96.08%，训练成本仅为从头训练的0.1%。这一显著提升展示了TRACE在跨体型适应中的有效性。
🎯 应用场景
TRACE框架具有广泛的应用潜力，尤其在类人机器人领域。它能够有效地将预训练控制器迁移到不同体型的机器人上，提升机器人在动态环境中的适应能力，未来可应用于服务机器人、娱乐机器人及人机协作等多个领域。
📄 摘要（原文）
Humanoid behavior foundation models (BFMs) enable diverse whole-body control, but adapting a pretrained controller to a new embodiment remains challenging because of kinematic and dynamic mismatch. We present TRACE, a framework for efficient cross-embodiment adaptation that preserves pretrained motion representations while specializing feedback control to the target robot.TRACE first injects kinematic priors into input and output projection layers and aligns nominal joint dynamics to reduce embodiment mismatch and support stable fine-tuning. It then combines encoder distillation with low-rank reinforcement learning on a compact, quality-screened motion set, using a two-phase curriculum to establish stable tracking before refining difficult motions. We apply TRACE to transfer SONIC from Unitree G1 to Unitree H2 using 10 million motion frames and approximately eight hours of training on a single RTX PRO 6000 GPU, at less than 0.1% of the GPU-hour cost of training SONIC from scratch. The adapted controller achieves 96.08\% success on 67,953 evaluation motions under a height-scaled tracking criterion. Real-robot demonstrations span dynamic motion tracking and whole-body teleoperation, with collected demonstrations supporting downstream vision-language-action policy post-training. These results demonstrate practical reuse of a pretrained humanoid controller across robots with different body scales and dynamics.