CrossBFM：在不同人形机器人本体之间蒸馏共享的潜在行为空间

研究探讨的是，为一款人形机器人学到的可提示行为空间，能否通过监督蒸馏而非重跑昂贵训练，交给关节数量、身体构成和关节顺序都不同的其他人形机器人。

行为基础模型（BFM）为人形机器人提供一个由单个潜向量驱动的统一策略，这个向量可以表示要模仿的动作、要到达的姿态或要最大化的奖励。BFM-Zero所用的前向后向（Forward-Backward）表征能很好地学出这类空间，但作者指出单次训练每台机器人就要100多个GPU小时。每次训练还会生成与其他机器人毫无关联的潜空间，为一款人形机器人开发的提示、生成器和规划器无法沿用到下一款。新本体不断推出，成本和碎片化同时累积。

常规做法是为每个本体重跑完整的前向后向无监督强化学习流程。更便宜的替代方案是TWIST2这类直接以重定向关节参考为输入的跟踪策略，跟踪效果好，但用法单一，也没有可用于姿态或奖励提示的共享空间。以本体描述为条件、可泛化到新机器人的跨本体方法也存在，但作者指出它们通常只覆盖速度跟踪等单一任务。

CrossBFM冻结在宇树G1上预训练的BFM-Zero模型，只保留其后向映射，也就是把动作、姿态或奖励转换为潜向量的部分。每段动作都按同一时间轴重定向到所有机器人，因此G1每一帧的潜向量可以直接作为其他机器人对应帧的回归标签，目标机器人一侧构建空间时无需仿真器、强化学习或对抗训练。第一阶段为所有目标机器人同时训练一个编码器，不含任何机器人专属权重：每台机器人的状态被写入163维的固定输入，包括33个标准关节槽位、8个关键身体部位槽位和根节点块，缺失槽位单独标记；再用一个4层、宽度256、参数327万的小型pre-LayerNorm Transformer，以逐帧余弦损失对齐冻结的256维G1潜向量。所有机器人合计在一块消费级GPU上不到1小时即可完成。第二阶段为每台机器人用PPO训练潜向量条件跟踪策略，在一块RTX 4090上不到10小时，策略只接收共享潜向量和自身本体感知。对于奖励提示，方法用各机器人的重定向数据估计状态分布，并按百分位换算手部高度等奖励阈值，使其适配体型不同的机器人。在共享潜空间上训练的整流流（rectified flow）模型又增加了第四种提示方式。

三个目标本体是团队自研的M3（27个关节）、加速进化T1（23个）和傅利叶N1（23个），与29个关节的G1以及彼此之间在关节、刚体和拓扑上都不相同。在LAFAN动作跟踪上，潜向量条件策略的平均关节误差为M3 0.2024弧度、T1 0.1901弧度、N1 0.1391弧度，TWIST2式关节参考策略分别为0.1777、0.1844和0.1362弧度，差距最多0.025弧度。姿态到达任务中机器人在姿态间切换无一跌倒，误差为0.2345、0.1967和0.1512弧度。为G1设计的41个奖励提示在新机器人上全部可用；与直接沿用G1状态缓冲区相比，目标侧算法把平均归一化回报从0.183提高到0.431，提升2.35倍。只用四分之一动作数据训练编码器时，M3跟踪误差由0.2132弧度升至0.2241弧度，约5%；降到10%时升至0.2706弧度，随机潜向量为0.4411弧度。留一法测试中，用两款机器人训练的编码器应用于第三款，在随机潜向量与完整训练潜向量之间分别弥合了M3 89.3%、N1 55.5%、T1 12.8%的差距，T1是体型最小、形态差异最大的本体。真机上，M3跟踪5段动作误差0.2206弧度（仿真0.2024），到达9个姿态误差0.2675弧度，3项奖励任务得分0.562；M3和T1都执行了流模型生成的潜向量。

本文为预印本，作者注明仍在审稿中。迁移效果取决于形态相似度，T1仅12.8%说明训练集中没有近亲的机器人仍需自有数据。每台新机器人都需要高质量重定向动作数据，实验也只用了包含40段动作、8类行为的LAFAN数据集。MEKAWIRE认为，潜向量策略在仿真中的每款机器人和M3真机上都略逊于关节参考跟踪器，真机数据只给出了M3，研究也只涉及全身运动，不包括物体操作。潜空间的表达能力也不会超过其继承的G1模型。