PvP：基于本体感受-特权对比表征的数据高效人形机器人学习

人形机器人要在动态环境里完成复杂任务，全身控制（WBC）是绕不开的基础能力。强化学习近年来成为训练 WBC 策略的主流路线，但样本效率低始终是痛点：机器人动力学复杂、状态只能部分观测，奖励又往往要同时兼顾跟踪精度和能效，样本复杂度因此被进一步推高。这份资料围绕的就是这个问题：能不能让策略学习在更少样本下更快、更稳。作者提出 PvP，把本体感受状态与特权状态之间的对比学习引入策略表征，同时给出一个统一的开源框架 SRL4Humanoid。对正在做人形机器人 RL 训练的人来说，这套“方法加工具”的组合值得看一眼。

论文的研究范围落在状态表征学习（SRL）与人形机器人 WBC 的结合处。PvP 的核心做法是对比学习：让机器人本体感受状态和特权状态在表征空间里相互拉近，利用两种模态的内在互补性，学出紧凑且与任务相关的潜在表征，再交给策略网络使用。作者强调这个过程不需要手工设计的数据增强。实验平台是 LimX Oli 人形机器人，覆盖两个代表性任务：速度跟踪和动作模仿。作者团队来自 HK PolyU、LimX Dynamics、EIT Ningbo、USTC、ZJU-UIUC、ZGCA 等机构，工作完成于 LimX Dynamics，代码已在 GitHub 开源。

关键发现集中在三处。第一，PvP 不依赖手工数据增强，也能产生稳定的表征改进，作者称其在广泛任务上带来一致提升。第二，图 1 的聚合学习曲线显示，PvP 相比算法基线显著提高了训练效率；换句话说，达到相近策略水平所需的交互样本更少。第三，真实世界评估在 LimX Oli 上完成，说明方法不只停留在仿真里。这些结论目前以定性表述为主，材料没有给出具体的样本节省比例或成功率数值，读者只能先把握方向，具体幅度需要回到原文实验部分核对。

在速度跟踪和动作模仿两个任务上，作者报告 PvP 显著提升了样本效率和最终策略性能，优于现有的 SRL 基线方法。配套的 SRL4Humanoid 被作者称为首个统一、模块化的开源框架，提供代表性 SRL 方法的高质量实现，让不同方法和配置可以在同一套流程下比较。论文还基于这套框架系统研究了 SRL 方法及配置对人形 WBC 学习效率与性能的影响，并总结了把 SRL 与 RL 集成时的实践见解。三条贡献——对比学习增强本体感受表征、统一框架、LimX Oli 上的双任务验证——构成了这份资料的主干。

把这些结论放回实践，意味着一件事：人形机器人 WBC 的数据效率问题，除了仿真加速和数据增强，还可以从表征层面入手。PvP 的思路不依赖领域特定的手工增强，降低了把对比学习迁移到新机器人平台时的设计负担；SRL4Humanoid 则提供了可复现的基线，让团队在选型时不必从零搭比较环境。不过也要看到，材料对“显著提升”只给了定性描述，没有具体数字和消融细节，真实机器人实验的规模也未展开。因此，这些结论更适合当作方向性参考，而不是可以直接引用的性能承诺。目前被引 0 次，也说明它刚进入社区视野，外部验证还有限。

这份资料适合做人形机器人 RL、WBC 或 SRL 的研究者和工程师读。读完能拿走三样东西：一是“本体感受—特权状态对比学习”这一表征设计思路；二是 SRL4Humanoid 这个可复现的开源框架和基线集合；三是 LimX Oli 上速度跟踪与动作模仿的任务设置参考。边界同样清楚：给定材料只覆盖摘要、引言和相关工作开头，缺少具体实验数值、消融结果和真实机器人评测细节，机构信息在 OpenAlex 中也未能获取。若要判断 PvP 相对基线的实际增益，仍需回到原文和代码。

PvP: Data-Efficient Humanoid Robot Learning with Proprioceptive-Privileged Contrastive Representations Mingqi Yuan12*, Tao Yu2†, Haolin Song24, Bo Li1, Xin Jin36, Hua Chen25‡, Wenjun Zeng3‡ 1HK PolyU 2LimX Dynamics 3EIT, Ningbo 4USTC 5ZJU-UIUC 6ZGCA [email protected], [email protected], [email protected] Motion Imitation Motion Imitation Velocity Tracking Velocity Tracking Real Robot Simulator Contrastive Learning Proprioceptive Proprioceptive Representations Privileged Privileged Representations Privileged Privileged State Proprioceptive Proprioceptive State Shared Weights Policy Encoder Policy Encoder (a) (a) (b) (b) (c) (c) Figure 1. (a) PvP employs contrastive learning between proprioceptive and privileged states to learn compact and task-relevant representa- tions for policy learning.