AMO

AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control进阶

UCSD 2025 年的人形全身控制方法，用轨迹优化帮 RL 策略做大幅弯腰够物。

AMO 由加州大学圣地亚哥分校王小龙团队提出，发表于 RSS 2025。人形机器人要从地上捡东西、够高处货架，得协调弯腰、扭躯干和屈伸腿；但拿人体动捕数据做模仿的强化学习策略很少见过这类极端躯干姿态，遇到分布外指令容易失稳。AMO 先用轨迹优化（在动力学约束下求解关节轨迹）批量生成「给定躯干朝向和高度时下肢怎么摆」的数据，训练一个小 MLP 模块，实时为下肢策略提供参考姿态；下肢策略在 Isaac Gym 中用教师-学生蒸馏训练。系统部署在 29 自由度的宇树 G1 上，可用 VR 遥操作，也能用遥操作数据训练 Transformer 策略自主干活。

例子论文演示中，G1 在不同高度的台面之间搬放罐子，从左侧高层货架取瓶子放到右侧矮桌上，还能伸直双腿把瓶子放上高处货架；遥操作时，VR 设备给出的 3 个位姿被转换成控制指令。

也叫: Adaptive Motion Optimization、自适应运动优化
相关: 全身控制、学习型全身控制、轨迹优化、教师-学生蒸馏、宇树 G1、全身遥操作
来源: AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control (arXiv 2505.03738)
AMO 项目页（RSS 2025）
信息截至: 2025-05