💻 computer science

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

Dit artikel introduceert XHugWBC, een nieuw trainingsframework dat een enkel whole-body control beleid in staat stelt om robuust te generaliseren over diverse humanoïde robotontwerpen door middel van natuurkundig consistente morfologische randomisatie en semantisch uitgelijnde observatieruimten, waarbij zero-shot transfer naar zowel gesimuleerde als real-world robots wordt bereikt.

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

Gepubliceerd 2026-06-10

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een enorme bibliotheek hebt met instructiehandleidingen, maar in plaats van voor elke gebouwde robot een unieke handleiding van 500 pagina's te schrijven, wil je één enkele "Master Manual" maken die werkt voor elke robot, ongeacht hoe verschillend hij eruitziet of beweegt.

Dat is precies wat dit artikel, XHugWBC, probeert te doen.

Het Probleem: Het "One Size Fits None"-dilemma

Momenteel, als een robotbedrijf een nieuwe robot bouwt met een ander aantal armen, benen of gewrichten, moeten ze de oude software weggooien en vanaf nul een compleet nieuw "brein" trainen. Het is alsof je een nieuwe auto koopt en opnieuw moet leren autorijden omdat de pedalen op een andere plek zitten. Dit is traag, duur en inefficiënt.

De Oplossing: Het "Universele Robotbrein"

De auteurs creëerden een systeem genaamd XHugWBC (Cross-Humanoid Whole-Body Control). Zie dit als een universele vertaler en coach die elke humanoïde robot kan leren hoe hij moet lopen, balanceren en bewegen, zelfs als die robot nog nooit eerder is gezien.

Zo hebben ze het gebouwd, met behulp van drie belangrijke "trucs":

1. De "Mad Scientist" Simulator (Physics-Consistent Randomization)

Normaal gesproken, wanneer computers leren lopen, oefenen ze op één specifieke robot. Om het "brein" slimmer te maken, lieten de onderzoekers het oefenen op duizenden nep-robots.

De Analogie: Stel je een dansinstructeur voor die niet alleen één student onderwijst. In plaats daarvan stelt hij zich een klas voor waarin studenten willekeurig van lengte, gewicht, ledemaallengte en zelfs de zwaarte van hun botten veranderen.
De Catch: Als je deze dingen zomaar willekeurig verandert, kan de robot de natuurwetten breken (bijv. een been dat 100 ton weegt maar van papier is gemaakt).
De Fix: De onderzoekers ontwikkelden een speciale wiskundige regel die ervoor zorgt dat elke gegenereerde nep-robot fysiek mogelijk is. Het is als een "fysiek vangnet" dat hen in staat stelt om wilde, diverse robotontwerpen te creëren zonder de wetten van de natuurkunde te breken. Dit dwingt de AI om de principes van balans te leren in plaats van specifieke robotonderdelen uit het hoofd te leren.

2. De "Universele Taal" (Semantic Alignment)

Verschillende robots spreken verschillende "talen". De ene robot heeft misschien een gewricht genaamd "Linker Heup", terwijl een andere "Gewricht 42" heeft.

De Analogie: Stel je voor dat je een les probeert te geven waarbij sommige studenten Engels spreken, sommige Frans en andere Japans. Dat is chaotisch.
De Fix: De onderzoekers creëerden een universeel woordenboek. Ze brachten elk gewricht op elke robot in kaart naar een standaard "Global Joint Space". Of het nu een robot is met 20 gewrichten of 40 gewrichten, de AI ziet ze allemaal als een gestandaardiseerde lijst. Als een robot een gewricht mist, ziet de AI dat gewoon als een "nul" op die plek. Dit stelt de AI in staat om de structuur van de robot te begrijpen, ongeacht het specifieke model.

3. Het "Graph Brein" (Policy Architecture)

Om deze informatie te verwerken, gebruikten ze geen standaard neuraal netwerk. Ze gebruikten een Graph Neural Network (GNN) of een Transformer (dezelfde technologie achter geavanceerde AI-chatbots).

De Analogie: Denk aan het lichaam van een robot als een stamboom of een metromap. De heup is verbonden met de knie, die weer verbonden is met de enkel. Een standaard AI kijkt misschien alleen naar een lijst met getallen. Dit "Graph Brein" kijkt naar de verbindingen. Het begrijpt dat als de knie beweegt, de enkel ook mee moet bewegen. Het leert de "topologie" (de vorm en verbinding) van de robot, waardoor het direct kan adapteren aan nieuwe vormen.

De Resultaten: Zero-Shot Magie

Het meest indrukwekkende deel is de "Zero-Shot" capaciteit.

Wat het betekent: De AI werd getraind op een reeks gesimuleerde robots. Daarna testten de onderzoekers het op zeven echte robots die de AI nog nooit had gezien en waarvoor er geen enkele trainingsdata beschikbaar was.
De Uitkomst: De robots liepen, balanceerden en voerden zelfs complexe taken uit zoals het oppakken van een knuffelbeer, het openen van een deur en het leggen van de knuffel in een mandje. Ze hadden geen hertraining nodig. Het was alsof je iemand een rijbewijs geeft voor een specifieke auto die hij nog nooit heeft bestuurd, en diegene meteen perfect kan rijden.

Waarom dit ertoe doet

Het artikel beweert dat dit de eerste keer is dat een enkele controller succesvol heeft gegeneraliseerd over een zo grote variëteit aan real-world humanoïde robots met verschillende maten, gewichten en gewrichtsconfiguraties.

Efficiëntie: In plaats van 10 verschillende breinen te trainen voor 10 verschillende robots, train je één masterbrein.
Schaalbaarheid: Als een bedrijf morgen een nieuwe robot bouwt, kunnen ze waarschijnlijk deze bestaande "Master Manual" direct gebruiken, in plaats van maanden te moeten wachten op nieuwe training.

Kortom, XHugWBC is een "Zwitsers zakmes" voor robotbesturing: één instrument dat zich aanpast aan elk robotlichaam dat het tegenkomt, door de regels van beweging één keer te leren en deze overal toe te passen.

Technische Samenvatting: Schaalbare en Algemene Whole-Body Control voor Cross-Humanoid Locomotie

Probleemstelling

Leren-gebaseerde whole-body control (WBC) is een dominant paradigma geworden voor het mogelijk maken van wendbare en robuuste gedragingen in humanoïde robots. De huidige benaderingen zijn echter voornamelijk embodiment-specifiek, wat uitgebreide hertraining vereist voor elke nieuwe robotplatform vanwege significante variaties in morfologie, kinematica, dynamica en gewrichtsconfiguraties. Dit gebrek aan schaalbaarheid maakt de implementatie van controllers over diverse humanoïde vloten kostbaar en inefficiënt. Hoewel eerdere cross-embodiment inspanningen in animatie en quadruped locomotie enige overdraagbaarheid hebben bereikt, vertrouwen deze vaak op aannames van gedeelde morfologische priors of vereenvoudigde dynamica die niet standhouden voor humanoïden, die intrinsiek complexe en heterogene structuren vertonen. De centrale uitdaging die in dit werk wordt aangepakt is: Kan een enkele geleerde controller robuust generaliseren over een breed scala aan diverse humanoïde embodiments zonder per robot training?

Methodologie: XHugWBC

De auteurs stellen XHugWBC voor, een nieuw cross-embodiment trainingsframework ontworpen om een "generalistische" policy te leren die in staat is tot zero-shot transfer. Het framework bestaat uit drie kerncomponenten:

1. Fysica-consistente Morfologische Randomisatie

Om een policy te trainen die generaliseert, moet het systeem tijdens de training diverse maar fysiek geldige robot-embodiments tegenkomen. De auteurs stellen dat naïeve randomisatie van inertieparameters vaak leidt tot fysiek onmogelijke modellen (bijv. negatieve massa of niet-positief definitieve inertiematrices), wat zorgt voor simulatiestabiliteitsproblemen of policy-degeneratie.

Herparameterisering: Ze introduceren een wiskundig rigoureuze methode om link-inertieparameters te randomiseren. Door gebruik te maken van de Cholesky-decompositie van de pseudo-inertiematrix ( $J = LL^\top$ ) en affiene transformaties, mappen ze de beperkte ruimte van fysieke parameters naar een onbeperkte 10-dimensionale reële vectorruimte ( $\mathbb{R}^{10}$ ).
Gewrichtsrandomisatie: Het framework randomiseert ook gewrichtsconfiguraties, inclusief rotatieassen, posities ten opzichte van ouder-links, en actuatietypes (revolute versus fixed). Dit maakt het genereren van robots met variërende vrijheidsgraden (variërend van 12 tot 32 actieve gewrichten) en diverse kinematische topologieën mogelijk, terwijl de fysieke consistentie behouden blijft.

2. Universele Cross-Embodiment Representatie

Om robots met verschillende aantallen gewrichten en kinematische structuren te kunnen verwerken, stellen de auteurs een verenigde state-action representatie voor:

Semantische Uitlijning: Robot-specifieke gewrichtstoestanden worden gemapt naar een globale gewrichtsruimte van een vaste dimensie ( $N_{max} = 32$ ). Gewrichten worden ingebed op basis van hun semantische rollen (bijv. "linker heup pitch"), waarbij ongebruikte dimensies met nullen worden opgevuld. Dit zorgt ervoor dat de policy vaste-dimensionele inputs ontvangt, ongeacht de specifieke morfologie van de robot.
Grafiek-gebaseerde Morfologie Beschrijving: Om de structurele relaties tussen gewrichten te coderen, construeren de auteurs een gerichte kinematische graaf voor elke robot. Een adjacency matrix afgeleid van deze graaf wordt gebruikt om de topologie van de robot expliciet weer te geven, waarbij complexiteiten zoals parallel-linkage mechanismen (bijv. enkels behandeld als kinderen van knieën) worden afgehandeld.

3. Policy Architectuur en Leren

De control policy wordt getraind via Reinforcement Learning (RL) over een familie van morfologisch diverse robots.

Encoders: De auteurs verkennen twee architecturen om de grafiekgestructureerde data te verwerken: Graph Convolutional Networks (GCN) en Transformers. De Transformer-variant maakt gebruik van een hybride-mask strategie, waarbij gemaskeerde aandacht wordt gebruikt in de eerste laag om lokale kinematische beperkingen te respecteren, en ongemaskeerde zelf-aandacht in daaropvolgende lagen voor globale coördinatie.
State Estimation: Om partiële observeerbaarheid bij real-world deployment aan te pakken, wordt gelijktijdig een gesuperviseerde state estimator getraind om geprivilegieerde informatie (bijv. basis lineaire snelheid, hoogte) te reconstrueren uit proprioceptieve observaties.
Command Space: De policy opereert binnen een verenigde command space die snelheid, houding en gait-parameters beslaat, met een extra mechanisme voor upper-body interventie (teleoperatie) om loco-manipulatie taken mogelijk te maken.

Belangrijkste Bijdragen

Fysica-consistente Randomisatie: Een nieuwe methode voor het genereren van diverse, fysiek plausibele humanoïde embodiments door het herparameteriseren van inertie- en gewrichtsruimtes, waarmee de beperkingen van naïeve randomisatie worden overwonnen.
Universele Representatie: Een framework voor cross-humanoid control dat gebruikmaakt van semantische gewrichtsuitlijning en grafiek-gebaseerde morfologiebeschrijvingen om heterogene robotstructuren te verenigen.
Robuuste Zero-Shot Generalisatie: De eerste demonstratie van een generalistische controller die robuuste zero-shot whole-body control bereikt over zeven real-world humanoïden met aanzienlijke diversiteit in kinematica, dynamica en morfologie.

Experimentele Resultaten

De auteurs evalueerden XHugWBC op 12 gesimuleerde humanoïden en 7 real-world robots (waaronder Unitree G1, H1-2, Agibot X2, en anderen).

Zero-Shot Generalisatie: De generalistische policy behaalde een overlevingspercentage van 100% over alle 12 gesimuleerde en 7 real-world robots. Hoewel het de prestaties van specialistische policies die specifiek voor elke robot zijn getraind niet evenaarde, bereikte het ongeveer 85% van de specialistische return in simulatie.
Fine-Tuning Efficiëntie: Wanneer gebruikt als initialisatie voor fine-tuning op specifieke robots, convergeerde de generalistische policy aanzienlijk sneller dan training vanaf nul en overtrof het uiteindelijk de specialistische policies met wel 10% in return.
Sim-to-Real Transfer: De policy transfeerde betrouwbaar naar alle zeven real-world platforms. Hoewel er een prestatiekloof bestond tussen simulatie en realiteit (variërend van ~27% tot ~108% relatieve fout in tracking), behield het systeem robuuste locomotie en taaksucces.
Loco-Manipulation: Het framework maakte succesvol langdurige whole-body taken mogelijk, zoals het oppakken van objecten, het openen van deuren en het plaatsen van items, over verschillende robotplatforms met behulp van teleoperatie-signalen.
Ablatie Studies: Experimenten bevestigden dat grafiek-gebaseerde architecturen (GCN en Transformer) de standaard MLP-baselines aanzienlijk overtroffen, wat het belang van het modelleren van de kinematische topologie onderstreept. De voorgestelde fysica-consistente randomisatie presteerde ook beter dan baselines die naïeve randomisatie of bestaande cross-embodiment methoden (MetaMorph, MorAL) gebruiken.

Betekenis en Claims

Het artikel claimt dat XHugWBC een belangrijke stap vormt richting schaalbare en algemene humanoïde controle. Door tijdens een enkele trainingsfase een brede distributie van morfologische en dynamische kenmerken te internaliseren, leert het framework sterke, embodiment-agnostische bewegingspriors. Dit elimineert de noodzaak voor kostbare, robot-specifieke hertraining en maakt snelle implementatie over nieuwe humanoïde platforms mogelijk.

De auteurs benadrukken dat hun werk de haalbaarheid demonstreert van een "one-policy-fits-all" benadering voor humanoïden, een domein dat voorheen als te complex werd beschouwd voor dergelijke generalisatie vanwege structurele heterogeniteit. Hoewel het huidige framework vertrouwt op een verenigde command interface, merken de auteurs op dat het uitbreiden hiervan om meer expressieve, morfologie-bewuste controle (bijv. voor motion tracking) te ondersteunen, een richting is voor toekomstig werk. De resultaten suggeriesert dat met de juiste randomisatie- en representatiestrategieën, lerende controllers robuuste generalisatie kunnen bereiken over het diverse landschap van humanoïde robotica.