X-Morph: Human Motion Priors for Scalable Robot Learning Across Morphologies
作者: Ritwik Sharma, Shivam Sood, Arhaan Jain, Shyam Charan Kesavamoorthi, Chengyang He, Guillaume Sartoretti
分类: cs.RO
发布日期: 2026-06-29
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出X-Morph以解决非人形机器人运动数据稀缺问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 人类运动数据 非人形机器人 运动重定向 强化学习 行为优先控制 运动策略 机器人操控 跨形态学习
📋 核心要点
- 现有方法在非人形腿部机器人上缺乏足够的运动数据，导致运动重定向时常出现物理不一致性和难以跟踪的问题。
- X-Morph通过跨形态重定向将人类运动转换为适用于不同非人形机器人的运动策略，解决了运动数据稀缺的问题。
- 实验结果显示，X-Morph能够有效跟踪多样化的重定向运动，并在未见过的人类运动上实现良好的泛化，支持多种下游应用。
📝 摘要（中文）
近年来，类人行为模型的进展主要得益于丰富的人类运动数据，但对于非人形腿部机器人（如四足、六足和四足操控器）而言，类似的数据稀缺。本文提出X-Morph，一个将人类运动转化为可部署的非人形腿部机器人运动和操控策略的管道。通过跨形态重定向阶段，将人类运动转换为运动学上合理且保留意图的机器人参考，随后由特权强化学习策略进行跟踪，并提炼为因果学生策略。我们在三种不同形态的平台上评估了X-Morph，结果表明该策略能够跟踪多样化的重定向运动，并在未见过的人类运动上具有良好的泛化能力。
🔬 方法详解
问题定义：本文旨在解决非人形腿部机器人在运动数据稀缺情况下，如何有效利用人类运动数据进行运动策略学习的问题。现有方法在直接重定向时，常常导致运动在视觉上合理但在物理上不一致，难以适应机器人动态。
核心思路：X-Morph的核心思路是通过跨形态重定向，将人类运动转化为运动学上合理且保留意图的机器人运动参考，进而通过强化学习策略进行跟踪和优化。
技术框架：X-Morph的整体架构包括两个主要阶段：首先是跨形态重定向阶段，将人类运动转换为机器人可用的运动参考；其次是通过特权强化学习策略进行跟踪，并将其提炼为因果学生策略。
关键创新：X-Morph的关键创新在于其跨形态重定向机制，能够有效保留人类运动的意图并适应不同形态的机器人，这与现有方法的直接重定向方式有本质区别。
关键设计：在设计中，X-Morph采用了特定的损失函数以确保运动的物理一致性，并通过精心设计的网络结构来实现运动的跟踪和优化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，X-Morph在三种不同形态的机器人上均能有效跟踪多样化的重定向运动，并在未见过的人类运动上实现良好的泛化能力，支持视频远程操作和行为优先控制等应用，显示出显著的性能提升。
🎯 应用场景
该研究的潜在应用领域包括机器人远程操作、行为优先控制以及基于文本的运动生成等。通过利用大规模人类运动数据，X-Morph能够为非人形机器人提供广泛且可重用的行为先验，推动机器人在复杂环境中的自主性和灵活性。
📄 摘要（原文）
Recent progress in humanoid behavior models has been driven in large part by abundant human motion data, but comparable motion data is scarce for non-humanoid legged robots such as quadrupeds, hexapods, and quadruped manipulators. A promising alternative is to repurpose human motion across embodiments; however, direct retargeting often produces motions that are visually plausible yet physically inconsistent or difficult to track under robot dynamics. We present X-Morph, a human-motion-to-robot-behavior pipeline that converts human motion into deployable locomotion and loco-manipulation policies for diverse non-humanoid legged morphologies. A cross-morphology retargeting stage converts human motions into kinematically plausible, intent-preserving robot references, which are then tracked by a privileged RL policy and distilled into a causal student policy. We evaluate X-Morph on three morphologically distinct platforms: a quadruped, a hexapod, and a quadruped equipped with a manipulator. The resulting policies track diverse retargeted motions, generalize to unseen human motions, and support downstream use cases including video-based teleoperation, behavior-prior control, and text-conditioned motion generation. These results suggest that large-scale human motion can serve as a substrate for learning broad, reusable behavior priors beyond humanoid robots. Project page: https://maker-rat.github.io/morph/