人形机器人在跳舞这项技能上，正变得愈发得心应手。
比如跳一曲查尔斯顿舞，持续一分四十秒的流畅摇摆，动作稳定得仿佛精准踩在节拍器上：
但问题是，它们是否能像人类一样，在舞蹈、体操和日常操作之间自如切换？
由北京大学与 BeingBeyond 团队联合推出的 BumbleBee 系统给出了肯定的回答。该系统采用创新的“分治 - 精炼 - 融合”三级架构，首次实现了人形机器人在多种动作模式下的稳定控制，为人形机器人的通用运动能力开辟了新路径。
突破“专家困境”与“现实鸿沟”
长期以来，人形机器人的控制策略受限于两大难题：
专家困境：针对单一任务优化的策略虽然高效，但导致系统复杂度激增，难以扩展至多场景应用。
现实鸿沟：在仿真环境中训练出的策略，一旦迁移到真实世界，性能往往大幅下滑，动作稳定性与准确性难以维持。
BumbleBee 系统通过“分治 - 精炼 - 融合”的三阶段设计，成功打通了从专用专家策略到通用全身控制的链条，为具身智能的通用控制提供了全新范式。
运动与语义双驱动：构建动作理解的“双通道”
系统通过多模态特征提取与隐空间联合对齐，实现动作在运动学与语义层面的深度融合：
运动学特征提取：基于 SMPL 格式的人类动作数据，利用前向运动学转换为世界坐标系下的 3D 关节位置（如头部、骨盆、四肢关键点），并融合脚部速度、根节点位移等动态信息，最终通过 Transformer 进行编码。
语义特征编码：使用 BERT 模型处理动作文本描述（例如“托马斯回旋：身体水平旋转360度，双手支撑地面”），再经 Transformer 映射至与运动特征维度一致的隐空间。
联合隐空间对齐：通过对比学习，将语义与运动特征在统一隐空间中对齐，使语义相近或动作相似的行为在空间中彼此靠近，形成统一的动作表征。
K-means 聚类：在对齐后的隐空间中对动作数据进行自动聚类，生成结构化动作类别。相比人工分类，该方法能更自然地捕捉动作的语义与运动特征关联，提升分类一致性。
弥合仿真与现实之间的“鸿沟”
专家策略训练：在每个动作簇内独立训练高精度运动跟踪策略，并引入增量动作模型（Delta Action）来补偿仿真与真实环境间的物理差异（如电机响应延迟、地面摩擦变化）。
多专家融合为通用策略：采用 DAgger 算法将多个专家策略的知识蒸馏至一个统一的通用策略中，实现不同动作间的无缝切换。在 MuJoCo 仿真中，通用策略任务成功率达 66.84%，远超基线方法（最高仅 50.19%）；在真实机器人上，连续数分钟的复杂舞蹈动作执行成功率高达 100%。
实验验证：数据驱动的性能飞跃
在 IsaacGym 与 MuJoCo 仿真平台上的全面测试中，研究人员采用任务成功率（SR）、平均关节角误差（MPJPE）、关键点误差（MPKPE）等指标进行评估：
在物理更真实的 MuJoCo 环境中，BumbleBee 的任务成功率达到 66.84%，显著领先于现有方法。
真实机器人测试：稳定性与灵活性兼备
部署于 Unitree G1 机器人平台后，系统展现出卓越表现：
动作稳定性：轻松完成长时间、高节奏的舞蹈序列。
高难度动作执行：可完成托马斯回旋、侧手翻等体操级动作，展现强大动态控制能力。
未来，研究团队计划在以下方向持续推进：
多模态感知融合：融合视觉-惯性里程计与触觉反馈，提升在动态环境中的适应能力。
自然语言驱动控制：实现通过自然语言指令直接生成动作序列，例如输入“跳一段欢快的舞蹈”，即可自动生成并执行相应动作。
项目主页：https://www.php.cn/link/0ebd0b8b51eb0d0062065a7657486c8e
论文链接：https://www.php.cn/link/e2e57ded5b59a2058dd5855564c6b5ea
别忘了「点赞」「转发」「小心心」一键三连！
欢迎在评论区分享你的看法！
— 完 —
点亮星标，不错过每一条科技前沿动态
