夜雨聆风
超越AMP与ADD?PDF-HR:复现宇树G1丝滑空翻!解决Sim2Real重定向中的不可行姿态问题
读完需要
📄论文标题：PDF-HR: Pose Distance Fields for Humanoid Robots
🔗项目主页：https://gaoyukang33.github.io/PDF-HR/
📅发布时间： 2026年2月
🎯核心亮点
🧠什么是PDF-HR？
PDF-HR的核心思想非常直观：构建一个函数，输入机器人的关节角度，输出该姿态距离“合理运动流形”的测地线距离。
在训练过程中，团队采用了混合采样策略：
-
🎯流形上采样： 直接使用数据集中的高质量姿态（距离为0）。 -
🌊近流形采样： 在合理姿态附近施加扰动，学习流形附近的梯度场 。 -
🔗插值采样： 增强全局平滑性 。
🎯工程价值
PDF-HR最大的工程价值在于其模块化和通用性。它不需要重新训练底层的控制策略，而是作为一个附加项，灵活应用于多种任务中。
▍场景一：强化学习运动追踪
在基于RL的Motion Tracking任务中，探索通常是效率最低的环节。由于人形机器人的高维状态空间，Agent很容易在无效的姿态空间中“打转”。
-
在侧空翻这种高动态任务中，基线方法（ADD）需要消耗大量的样本探索，甚至难以收敛；而PDF-HR引导的策略能够快速锁定可行姿态，训练速度大幅领先 。 -
在猩猩跳等跑酷任务中，PDF-HR同样表现出了极强的鲁棒性 。
▍场景二：运动重定向优化
📉实验数据与局限性
为了验证算法的有效性，作者在Unitree G1机器人上进行了广泛的测试，包括单轨迹追踪、风格化模仿以及通用运动追踪。
-
采样效率： 在几乎所有测试任务中，PDF-HR的样本效率都优于SOTA方法（如AMP和ADD） 。
-
真机部署： Sim-to-Real使用PDF-HR重定向的数据训练出的策略，成功在实物G1机器人上完成了舞蹈、跳跃等复杂动作，且动作连贯性明显优于基线 。
▍局限性分析
整理不易 点点赞和关注噢~
