BumbleBee团队 投稿
量子位 | 公众号 QbitAI
人形机器人️对跳舞这件事，如今是越来越擅长了。
比如跳一支查尔斯顿舞，一分四十秒的丝滑摇摆，稳定得像踩着节拍器：
不过，它们能否像人类一样自如切换跳舞、体操、日常操作等不同的动作模式？
北京大学与BeingBeyond团队联合研发的BumbleBee系统给出了最新答案：通过创新的“分治-精炼-融合”三级架构，该系统首次实现人形机器人️在多样化动作中的稳定控制。
破解“专家困境”与“现实鸿沟”
传统人形机器人️控制策略长期面临两大核心挑战：
专家困境：单一任务优化导致系统复杂度增长，难以覆盖多场景需求。
现实鸿沟：仿真环境训练的策略在真实物理世界中表现断崖式下降，动作执行精度与稳定性无法保障。
BumbleBee系统通过“分治-精炼-融合”三级架构，首次在单一控制框架内实现从专家策略优化到通用全身控制的跨越，为通用具身智能控制提供了全新解决方案。
运动-语义联合驱动的动作分类：构建动作理解的“双通道”
系统通过多模态特征构建与联合隐空间对齐，实现动作在运动学与语义层面的双重表征：
运动学特征提取：基于SMPL格式的人类运动序列，通过前向运动学转换为世界坐标系中的3D关节坐标（如头部、骨盆、手脚等关键点），并补充脚部速度、根节点位移等动态物理量；最后通过Transformer编码。
语义特征编码：利用BERT模型对动作文本描述（如“托马斯回旋：水平旋转360度，双手支撑地面”）进行编码处理，并通过Transformer映射至与运动特征同维度的隐空间。
联合潜在空间对齐：通过对比学习将运动特征与语义特征在同一隐空间对齐，确保具有相似语义或者运动特征的动作在隐空间中靠近，形成运动-语义联合表征。
K-means聚类：在隐空间中对运动数据进行分类，形成结构化数据集。相较于传统手工分类，该方法自动捕捉动作的运动学特征与语义的关联，使聚类结果在运动学与语义上的一致性得到提升。
仿真到现实的差异建模：弥合“现实鸿沟”
专家策略训练：在每个动作簇内训练专家运动跟踪策略，并通过增量动作模型（Delta Action）补偿仿真与现实的物理差异（如电机延迟、地面摩擦力变化）。
多专家融合的通用策略：通过DAgger算法将多个专家策略的知识蒸馏到一个通用策略中，实现跨动作类型的无缝切换。在MuJoCo仿真环境中，通用策略的成功率达66.84%，显著优于各类基线方法；真实机器人️实验中，几分钟的连续舞蹈动作成功率100%。
研究人员在IsaacGym和MuJoCo仿真环境进行了全面评估，使用任务成功率（SR）、关节角误差（MPJPE）、关键点误差（MPKPE）等指标对比现有方法：
在更接近真实的MuJoCo环境中，BumbleBee的成功率达到66.84%，显著优于其他基线（最高仅50.19%）。
真实机器人️：稳定与灵活的双重验证
在Unitree G1平台上，系统表现出以下特性：
动作稳定性：轻而易举地完成各类长程舞蹈任务。
高难度动作控制：可以进行托马斯回旋、侧手翻等动作。
接下来，研究团队计划在以下方向持续突破：
多模态感知融合：整合视觉-惯性里程计与触觉反馈，提升动态环境适应性。
自然语言指令驱动：通过自然语言指令直接生成动作序列（如“跳一段欢快的舞蹈”）。
项目主页：https://beingbeyond.github.io/BumbleBee/
论文链接：https://arxiv.org/abs/2506.12779v2
