💻 computer science

Scalable and General Whole-Body Control for Cross-Humanoid Locomotion

Dieses Paper stellt XHugWBC vor, ein neuartiges Trainingsframework, das eine einzige Ganzkörpersteuerungs-Policy ermöglicht, die durch physik-konsistente morphologische Randomisierung und semantisch ausgerichtete Beobachtungsräume robust über diverse humanoide Roboterdesigns hinweg generalisiert und so einen Zero-Shot-Transfer auf sowohl simulierte als auch reale Roboter erreicht.

Ursprüngliche Autoren: Yufei Xue, YunFeng Lin, Wentao Dong, Yang Tang, Jingbo Wang, Jiangmiao Pang, Ming Zhou, Minghuan Liu, Weinan Zhang

Veröffentlicht 2026-06-10

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yufei Xue, YunFeng Lin, Wentao Dong, Yang Tang, Jingbo Wang, Jiangmiao Pang, Ming Zhou, Minghuan Liu, Weinan Zhang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie hätten eine riesige Bibliothek mit Bedienungsanleitungen, aber anstatt für jeden Roboter, den Sie bauen, ein einzigartiges, 500 Seiten starkes Handbuch zu schreiben, möchten Sie ein einziges „Master-Handbuch“ erstellen, das für jeden Roboter funktioniert, egal wie unterschiedlich er aussieht oder sich bewegt.

Genau das versucht dieses Paper, XHugWBC, zu erreichen.

Das Problem: Das „One Size Fits None“-Dilemma

Derzeit, wenn ein Robotikunternehmen einen neuen Roboter mit einer anderen Anzahl von Armen, Beinen oder Gelenken baut, muss es die alte Software wegwerfen und ein brandneues „Gehirn“ von Grund auf neu trainieren. Es ist so, als würde man ein neues Auto kaufen und das Autofahren neu lernen müssen, weil die Pedale an einer anderen Stelle sitzen. Das ist langsam, teuer und ineffizient.

Die Lösung: Das „Universelle Robotergehirn“

Die Autoren haben ein System namens XHugWBC (Cross-Humanoid Whole-Body Control) entwickelt. Betrachten Sie es als einen universellen Übersetzer und Coach, der jedem humanoiden Roboter das Gehen, das Balancieren und das Bewegen beibringen kann, selbst wenn dieser Roboter noch nie zuvor gesehen wurde.

So haben sie es aufgebaut, unter Verwendung von drei Hauptaspekten („Tricks“):

1. Der „Mad Scientist“-Simulator (Physik-konsistente Randomisierung)

Normalerweise, wenn Computer das Gehen lernen, üben sie an einem ganz spezifischen Roboter. Um das „Gehirn“ intelligenter zu machen, ließen die Forscher es an tausenden von fiktiven Robotern üben.

Die Analogie: Stellen Sie sich einen Tanzlehrer vor, der nicht nur einen einzelnen Schüler unterrichtt. Stattdessen stellt er sich ein Klassenzimmer vor, in dem die Schüler zufällig ihre Größe, ihr Gewicht, ihre Gliedmaßenlänge und sogar das Gewicht ihrer Knochen ändern.
Der Haken: Wenn man diese Dinge einfach nur zufällig ändert, könnte der Roboter die Gesetze der Physik verletzen (z. B. ein Bein, das 100 Tonnen wiegt, aber aus Papier besteht).
Die Lösung: Die Forscher entwickelten eine spezielle mathematische Regel, die sicherstellt, dass jeder generierte fiktive Roboter physikalisch möglich ist. Es ist wie ein „Physik-Sicherheitsnetz“, das es ihnen ermöglicht, wilde, vielfältige Roboterdesigns zu erstellen, ohne die Gesetze der Physik zu brechen. Dies zwingt die KI dazu, die Prinzipien des Gleichgewichts zu lernen, anstatt spezifische Roboterteile auswendig zu lernen.

2. Die „Universelle Sprache“ (Semantische Ausrichtung)

Verschiedene Roboter sprechen unterschiedliche „Sprachen“. Ein Roboter hat vielleicht ein Gelenk namens „Linkes Hüftgelenk“, während ein anderer es „Gelenk 42“ nennt.

Die Analogie: Stellen Sie sich vor, Sie versuchen, eine Klasse zu unterrichten, in der einige Schüler Englisch, einige Französisch und andere Japanisch sprechen. Das ist chaotisch.
Die Lösung: Die Forscher erstellten ein universelles Wörterbuch. Sie ordneten jedes Gelenk auf jedem Roboter einem standardisierten „Globalen Gelenkraum“ zu. Egal, ob ein Roboter 20 oder 40 Gelenke hat, die KI sieht sie alle als standardisierte Liste. Wenn einem Roboter ein Gelenk fehlt, sieht die KI an dieser Stelle einfach eine „Null“. Dies ermöglicht es der KI, die Struktur des Roboters zu verstehen, unabhängig von seinem spezifischen Modell.

3. Das „Graph-Gehirn“ (Policy-Architektur)

Um diese Informationen zu verarbeiten, verwendeten sie kein Standard-Neuronales Netz. Sie nutzten ein Graph Neural Network (GNN) oder einen Transformer (dieselbe Technologie hinter fortgeschrittenen KI-Chatbots).

Die Analogie: Denken Sie an den Körper eines Roboters wie an einen Stammbaum oder einen U-Bahn-Plan. Die Hüfte verbindet sich mit dem Knie, das Knie mit dem Knöchel. Eine Standard-KI würde vielleicht nur eine Liste von Zahlen betrachten. Dieses „Graph-Gehirn“ betrachtet die Verbindungen. Es versteht, dass wenn sich das Knie bewegt, sich der Knöchel mitbewegen muss. Es lernt die „Topologie“ (die Form und Verbindung) des Roboters, was es der KI ermöglicht, sich sofort an neue Formen anzupassen.

Die Ergebnisse: Zero-Shot-Magie

Der beeindruckendste Teil ist die „Zero-Shot“-Fähigkeit.

Was es bedeutet: Die KI wurde an einer Vielzahl von simulierten Robotern trainiert. Dann testeten die Forscher sie an sieben realen Robotern, die sie noch nie zuvor gesehen hatten und für die sie keine Trainingsdaten besaßen.
Das Ergebnis: Die Roboter gingen, balancierten und führten sogar komple Primäraufgaben aus, wie das Aufheben eines Plüschtieres, das Öffnen einer Tür und das Ablegen des Spielzeugs in einem Korb. Sie mussten nicht nachjustiert werden. Es war, als würde man jemandem, der noch nie ein spezifisches Automodell gefahren ist, den Führerschein übergeben, und die Person wüsste sofort perfekt, wie man fährt.

Warum das wichtig ist

Das Paper behauptet, dass dies das erste Mal ist, dass ein einziger Controller erfolgreich über eine so große Vielfalt an realen humanoiden Robotern mit unterschiedlichen Größen, Gewichten und Gelenkkonfigurationen generalisieren konnte.

Effizienz: Anstatt 10 verschiedene Gehirne für 10 verschiedene Roboter zu trainieren, trainiert man ein Master-Gehirn.
Skalierbarkeit: Wenn ein Unternehmen morgen einen neuen Roboter baut, kann es wahrscheinlich sofort dieses bestehende „Master-Handbuch“ verwenden, anstatt Monate auf ein neues Training zu warten.

Kurz gesagt, XHugWBC ist ein „Schweizer Taschenmesser“ der Robotersteuerung: ein Werkzeug, das sich an jeden Roboterkörper anpasst, den es trifft, indem es die Regeln der Bewegung einmal lernt und sie überall anwendet.

Technisches Resümee: Skalierbare und allgemeine Ganzkörpersteuerung für die kreuz-humanoide Lokomotion

Problemstellung

Das lernbasierte Ganzkörper-Control (Whole-Body Control, WBC) ist zu einem dominierenden Paradigma für die Ermöglichung agiler und robuster Verhaltensweisen bei humanoiden Robotern geworden. Bestehende Ansätze sind jedoch überwiegend embodiment-spezifisch, was eine umfangreiche erneute Trainingsphase für jede neue Roboterplattform erfordert, bedingt durch signifikante Variationen in Morphologie, Kinematik, Dynamik und Gelenkkonfigurationen. Dieser Mangel an Skalierbarkeit macht den Einsatz von Steuerungen über diverse humanoide Flotten hinweg kostspielig und ineffizient. Während frühere Bemühungen zur Kreuz-Embodiment-Übertragbarkeit in der Animation und bei der Quadrupeden-Lokomotion gewisse Übertragbarkeit erreicht haben, stützen sie sich oft auf Annahmen gemeinsamer morphologischer Priors oder vereinfachter Dynamiken, die bei Humanoiden, welche intrinsisch komplexe und heterogene Strukturen aufweisen, versagen. Die zentrale Herausforderung, die mit dieser Arbeit adressiert wird, lautet: Kann ein einzelner gelernter Controller robust über eine breite Palette diverser humanoider Embodiments hinweg generalisieren, ohne pro-Roboter-Training?

Methodik: XHugWBC

Die Autoren schlagen XHugWBC vor, ein neuartiges Framework für das Kreuz-Embodiment-Training, das darauf ausgelegt ist, eine „Generalisten“-Policy zu lernen, die zu einer Zero-Shot-Übertragung fähig ist. Das Framework besteht aus drei Kernkomponenten:

1. Physik-konsistente morphologische Randomisierung

Um eine Policy zu trainieren, die generalisiert, muss das System während des Trainings auf vielfältige, aber physikalisch valide Roboter-Embodiments treffen. Die Autoren argumentieren, dass eine naive Randomisierung von Trägheitsparametern oft zu physikalisch unmöglichen Modellen führt (z. B. negative Masse oder nicht positiv definite Trägheitsmatrizen), was zu Instabilitäten in der Simulation oder zur Degeneration der Policy führt.

Reparametrisierung: Sie führen eine mathematisch rigorose Methode zur Randomisierung der Trägheitsparameter der Glieder ein. Durch die Nutzung der Cholesky-Zerlegung der Pseudo-Trägheitsmatrix ( $J = LL^\top$ ) und affiner Transformationen bilden sie den beschränkten Raum der physikalischen Parameter auf einen unbeschränkten 10-dimensionalen reellen Vektorraum ( $\mathbb{R}^{10}$ ) ab.
Gelenk-Randomisierung: Das Framework randomisiert auch die Gelenkkonfigurationen, einschließlich Rotationsachsen, Positionen relativ zu den Eltern-Links sowie Aktuationsarten (revolut/drehend vs. fest). Dies ermöglicht die Erzeugung von Robotern mit variierenden Freiheitsgraden (von 12 bis 32 aktiven Gelenken) und diversen kinematischen Topologien bei gleichzeitiger Aufrechterhaltung der physikalischen Konsistenz.

2. Universelle Kreuz-Embodiment-Repräsentation

Um Roboter mit unterschiedlicher Anzahl an Gelenken und kinematischen Strukturen zu handhaben, schlagen die Autoren eine vereinheitlichte Zustands-Aktions-Repräsentation vor:

Semantische Ausrichtung: Roboterspezifische Gelenkzustände werden in einen globalen Gelenkraum fester Dimension ( $N_{max} = 32$ ) abgebildet. Gelenke werden basierend auf ihren semantischen Rollen (z. B. „linker Hüft-Pitch“) eingebettet, wobei ungenutzte Dimensionen mit Null aufgefüllt werden. Dies stellt sicher, dass die Policy unabhängig von der spezifischen Morphologie des Roboters Eingaben fester Dimension erhält.
Graphbasierte Morphologiebeschreibung: Um die strukturellen Beziehungen zwischen den Gelenken zu kodieren, konstruieren die Autoren für jeden Roboter einen gerichteten kinematischen Graphen. Eine aus diesem Graphen abgeleitete Adjazenzmatrix wird verwendet, um die Topologie des Roboters explizit darzustellen, wobei Komplexitäten wie Parallelmechanismen (z. B. Knöchel, die als Kinder der Knie behandelt werden) berücksichtigt werden.

3. Policy-Architektur und Lernen

Die Steuerungs-Policy wird mittels Reinforcement Learning (RL) über eine Familie morphologisch diverser Roboter trainiert.

Encoder: Die Autoren untersuchen zwei Architektäten zur Verarbeitung der graphstrukturierten Daten: Graph Convolutional Networks (GCN) und Transformer. Die Transformer-Variante verwendet eine Hybrid-Maskierungsstrategie, die im ersten Layer eine maskierte Attention nutzt, um lokale kinematische Constraints zu respektieren, und in nachfolgenden Layern unmaskierte Self-Attention für die globale Koordination einsetzt.
Zustandsschätzung: Um die Teil-Beobachtbarkeit (Partial Observability) bei der Implementierung in der realen Welt zu adressieren, wird parallel dazu ein supervisierter Zustandsschätzer trainiert, der privilegierte Informationen (z. B. lineare Geschwindigkeit der Basis, Höhe) aus propriozeptiven Beobachtungen rekonstruiert.
Command-Space: Die Policy operiert innerhalb eines vereinheitlichten Command-Space, der Geschwindigkeit, Pose und Gangparameter abdeckt, ergänzt durch einen Mechanismus für Oberkörper-Interventionen (Teleoperation), um Loco-Manipulation-Aufgaben zu ermöglichen.

Zentrale Beiträge

Physik-konsistente Randomisierung: Eine neuartige Methode zur Generierung diverser, physikalisch plausibler humanoider Embodements durch Reparametrisierung von Trägheits- und Gelenkräumen, welche die Einschränkungen naiver Randomisierung überwindet.
Universelle Repräsentation: Ein Framework für die Kreuz-humanoide Steuerung, das semantische Gelenkausrichtung und graphbasierte Morphologiebeschreibungen nutzt, um heterogene Roboterstrukturen zu vereinheitlichen.
Robuste Zero-Shot-Generalisierung: Die erste Demonstration eines Generalisten-Controllers, der eine robuste Zero-Shot-Ganzkörpersteuerung über sieben reale humanoide Roboter mit erheblicher Diversität in Kinematik, Dynamik und Morphologie erreicht.

Experimentelle Ergebnisse

Die Autoren evaluierten XHugWBC an 12 simulierten Humanoiden und 7 realen Robotern (darunter Unitree G1, H1-2, Agibot X2 und andere).

Zero-Shot-Generalisierung: Die Generalisten-Policy erreichte eine Überlebensrate von 100 % über alle 12 simulierten und 7 realen Roboter hinweg. Obwohl sie nicht die Leistung spezialisierter Policies erreichte, die spezifisch für jeden Roboter trainiert wurden, erreichte sie etwa 85 % des Specialist-Returns in der Simulation.
Effizienz des Fine-Tunings: Wenn sie als Initialisierung für das Fine-Tuning auf spezifischen Robotern verwendet wurde, konvergierte die Generalisten-Policy signifikant schneller als ein Training von Grund auf und übertraf die Specialist-Policies letztlich um bis zu 10 % im Hinblick auf den Return.
Sim-to-Real Transfer: Die Policy transferierte zuverlässig auf alle sieben realen Plattformen. Obwohl eine Performance-Lücke zwischen Simulation und Realität bestand (zwischen ~27 % und ~108 % relativer Fehler beim Tracking), behielt das System eine robuste Lokomotion und Aufgaben-Erfolgsrate bei.
Loco-Manipulation: Das Framework ermöglichte erfolgreich langfristige Ganzkörperaufgaben, wie das Aufheben von Objekten, das Öffnen von Türen und das Platzieren von Gegenständen, über verschiedene Roboterplattformen hinweg mittels Teleoperationssignalen.
Ablationsstudien: Experimente bestätigten, dass graphbasierte Architekturen (GCN und Transformer) die Standard-MLP-Baselines signifikant übertrafen, was die Bedeutung der Modellierung der kinematischen Topologie unterstreicht. Die vorgeschlagene physik-konsistente Randomisierung übertraf zudem Baselines, die naive Randomisierung oder bestehende Kreuz-Embodiment-Methoden (MetaMorph, MorAL) verwendeten.

Bedeutung und Ansprüche

Das Paper behauptet, dass XHugWBC einen bedeutenden Schritt in Richtung skalierbarer und allgemeiner humanoider Steuerung darstellt. Durch die Internalisierung einer breiten Verteilung morphologischer und dynamischer Charakteristika während einer einzigen Trainingsphase lernt das Framework starke, embodiment-agnostische Bewegungs-Priors. Dies eliminiert die Notwendigkeit eines kostspieligen, roboterspezifischen Retrainings und ermöglicht eine schnelle Bereitstellung auf neuen humanoiden Plattformen.

Die Autoren betonen, dass ihre Arbeit die Machbarkeit eines „One-Policy-Fits-All“-Ansatzes für humanoide Roboter demonstriert – ein Bereich, der aufgrund struktureller Heterogenität bisher als zu komplex für eine solche Generalisierung galt. Während das aktuelle Framework auf eine vereinheitlichte Command-Schnittstelle angewiesen ist, merken die Autoren an, dass die Erweiterung auf eine expressivere, morphologie-bewusste Steuerung (z. B. für Motion Tracking) eine zukünftige Forschungsrichtung bleibt. Die Ergebnisse legen nahe, dass lernbasierte Controller mit den korrekten Randomisierungs- und Repräsentationsstrategien eine robuste Generalisierung über die diverse Landschaft der humanoiden Robotik erreichen können.