GenTrack: Physical Alignment for Robot-Native Motion Generation and Zero-Shot Humanoid Tracking
GenTrack 是一个在线生成器-追踪器框架，通过交替执行接地、组相对生成器对齐与在新生成参考上的追踪器训练来改进人形机器人运动生成与零样本追踪。在 Unitree G1 上，使用 ProtoMotions 和 SONIC 骨干网络，在三个零样本追踪分割（包括 AMAS 和 LAFAN 基准）以及一个包含 1,024 个提示-运动对的私有分布外测试集上进行了评估。结果表明，在线协同训练持续产生更具机器人可执行性和语义对齐的生成器，以及更广泛零样本覆盖和更高追踪精度的追踪器。
发展脉络
- 首次出现GenTrack: Physical Alignment for Robot-Native Motion Generation and Zero-Shot Humanoid TrackingarXiv cs.RO
- 当前判断人形机器人运动生成领域正从静态数据集转向在线协同训练，以解决数据稀缺和物理可执行性问题。GenTrack 的方法表明，通过生成器与追踪器的联合优化，可以显著提升零样本泛化能力，这可能会推动行业采用更动态的训练范式，减少对大规模人工标注数据的依赖。Agent Pulse · 分析
GenTrack 提出了一种在线生成器-追踪器框架，用于人形机器人的运动生成与零样本追踪。它通过交替执行接地、组相对生成器对齐与追踪器训练，并利用锚定和排练约束漂移，解决了文本到运动生成器与机器人可执行性之间的差距。在 Unitree G1 上，使用 ProtoMotions 和 SONIC 骨干网络，在三个零样本追踪分割（包括 AMAS 和 LAFAN 基准）以及一个包含 1,024 个提示-运动对的私有分布外测试集上进行了评估。结果表明，在线协同训练持续产生更具机器人可执行性和语义对齐的生成器，以及更广泛零样本覆盖和更高追踪精度的追踪器，尤其是在分布外参考上。
GenTrack 的核心创新在于将生成器与追踪器在线协同训练，而非传统的单向流水线。通过执行接地和组相对对齐，生成器输出的运动更符合机器人物理约束，而追踪器则在新生成的参考上训练，从而扩大零样本覆盖。锚定和排练机制防止了训练过程中的漂移。这种交替训练策略在 Unitree G1 上验证了其有效性，特别是在分布外场景中，表明在线协同训练是提升人形机器人运动生成与追踪性能的关键。
人形机器人运动生成领域正从静态数据集转向在线协同训练，以解决数据稀缺和物理可执行性问题。GenTrack 的方法表明，通过生成器与追踪器的联合优化，可以显著提升零样本泛化能力，这可能会推动行业采用更动态的训练范式，减少对大规模人工标注数据的依赖。
GenTrack 通过提升人形机器人的零样本运动生成与追踪能力，降低了部署成本和时间，增强了机器人在未知环境中的适应性。这对于机器人制造商和集成商而言，意味着更快的产品迭代和更广泛的应用场景，可能带来显著的商业价值。
未来，GenTrack 的在线协同训练框架可能扩展到更多机器人平台和更复杂的运动任务。随着生成器与追踪器协同训练的成熟，人形机器人将能更灵活地适应新环境和新指令，推动其在工业、服务等领域的实际应用。