ExBody2：高级富表现力人形机器人全身控制

人形机器人要进入人类生活空间，前提之一是能在真实世界里做出像人一样富表现力、动态的全身动作，同时不牺牲整体稳定性和鲁棒性。材料把难点归结为机器人与生物体结构之间的动态和运动学差距，以及控制器必须在表现力与稳定性之间做取舍。ExBody2 要回答的正是：如何让机器人跨越这道差距模仿人类全身运动，并同时兼顾两者。这份来自 UC San Diego、UC Berkeley 和 MIT 研究者的技术报告值得看的地方在于，它没有只停留在仿真里展示动作，而是把通用策略、专家微调和教师-学生训练串成一套可部署到真实机器人的流程。

方法上，ExBody2 先用人类动作捕捉数据和模拟数据训练全身跟踪控制器，再迁移到真实世界。它把全身速度跟踪与身体关键点跟踪解耦：速度跟踪负责引导运动，关键点跟踪负责动作模仿，并且关键点被转换到局部坐标系。训练采用教师-学生框架，教师策略用 PPO 和特权信息训练，学生策略通过 DAgger 风格蒸馏，用历史观察推断教师用到的特权信息。为了让训练数据更符合机器人能力，它还设计自动策展方法，移除不合适下半身动作而保留多样性，并在通用策略基础上针对特定动作组微调出专家策略。

材料列出的三个关键设计对应三类问题。自动数据策展处理人类动作数据集中超出机器人物理极限的动作：只用语言标签过滤仍可能把“dance”这类模糊标签下的不可行动作带进来，而用 SMPL avatar 模拟也可能超过真实机器人能力。通用策略由此在可行性与多样性之间取得平衡，作为单一策略覆盖广泛动作；专家策略则不从头训练，而是细化通用策略，利用其先验提高特定动作组的跟踪精度。解耦策略针对此前 H2O、OmniH2O 等全局关键点跟踪方法在下一步容易失败、局限在高度静止场景的问题，改为局部关键点加基于速度的跟踪。

评估在 Unitree G1 上进行，与四个 state-of-the-art 基线比较，材料称在仿真和真实世界测试中都取得更高保真度。自动策展得到的通用策略被描述为能作为单一策略处理多样动作，并优于所有先前方法；针对特定任务（例如跳舞）微调后，动作质量和表现力还会进一步提升。图1给出的能力示例包括从静止站立大步走、沿 43 秒长时程编舞跳舞、带流畅重心转移的动态侧步、不同高度配置的出拳、保持平衡时的多种上半身动作，以及带动态转移的右向身体勾拳。材料还提到一个值得注意的权衡：在少量数据上微调后，特定动作的跟踪性能显著提升，但代价是其他动作的表现。

这些结果意味着，全身控制不必把全局关键点位置跟踪和速度控制绑在一起；把关键点放到局部坐标系、让速度引导运动、关键点专注模仿，可能让机器人在非静止场景下更稳地复现富表现力动作。自动数据策展和教师-学生蒸馏也指向一种更工程化的路线：先清理出机器人做得到的动作，再让部署时的学生策略用历史观察补上特权信息。通用策略与专家策略的分层则对应两种实践需求：要广覆盖时用通用策略，要某个动作组的高保真时用微调后的专家策略，并用动作标签或动作识别模型动态选择。换句话说，这套方法的价值不只在“能跳舞”，更在于把可行性、通用性和专项精度之间的取舍摆到了训练流程里。

对人形机器人全身控制、运动模仿、强化学习与 sim-to-real 的研究者和工程师来说，这份材料能拿走一套较完整的设计组合：自动数据策展、解耦运动-速度控制、教师-学生蒸馏，以及通用策略加专家微调的分层思路。它也能帮助读者理解两个权衡：数据集可行性与多样性之间的权衡，以及通用策略的多功能性与特定动作跟踪性能之间的权衡。边界也需要说清楚：材料主要报告 Unitree G1 上的仿真与真实世界对比和选定动作示例，没有展开更细的定量指标、失败案例、计算成本或跨平台验证；图1展示的是若干代表性动作，不宜直接外推为对所有人类动作都同样稳健。这意味着它更适合作为方法设计与训练流程的参考，而不是一份覆盖所有真实场景的完整评测。

ExBody2: Advanced Expressive Humanoid Whole-Body Control Mazeyu Ji ∗,1 Xuanbin Peng ∗,1 Fangchen Liu 2 Jialong Li 1 Ge Yang3 Xuxin Cheng †,1 Xiaolong Wang†,1 1UC San Diego 2UC Berkeley 3MIT ∗Equal contribution †Equal advising https://exbody2.github.io (a) (b) (c) (e) (d) (f) Fig. 1: Humanoid robot executing various expressive whole-body motions in the real world. The robot can (a) walk with a large stride from static standing, (b) dance along a long horizon (43 seconds) choreography, (c) dynamic sidestep with fluid weight shifts, (d) punch with different height configurations, (e) express various upper-body movements while maintaining balance, (f) powerful rightward body hook with dynamic shifts. Abstract—This paper tackles the challenge of enabling real- world humanoid robots to perform expressive and dynamic whole-body motions while maintaining overall stability and robustness.