HIPC: Humanoid Iterative Planning and Control via Goal-Conditioned Motion Closure

📄 arXiv: 2610.41334v1 📥 PDF

作者: Yi Han, Xingyu Chen, Zixuan Lang, Qianyang Wu, Yuhang Lin, Ji Ma, Liang Li, Dongting Li, Xinpeng Liu, Ruoli Dai, Hesheng Wang, Renjing Xu, Lei Han

分类: cs.RO, eess.SY

发布日期: 2026-10-30

备注: Website: https://hipc-humanoid.github.io/

💡 一句话要点

提出HIPC框架以解决人形机器人运动控制中的反馈问题

🎯 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: 人形机器人 运动控制 生成模型 闭环控制 目标条件规划 鲁棒性 实时系统

📋 核心要点

  1. 现有方法在开放式控制中存在跟踪误差累积和对物理干扰适应性差的问题，导致运动控制不稳定。
  2. HIPC框架通过将生成模型与运动跟踪结合，采用目标条件运动规划和反馈策略，形成闭环控制。
  3. 实验表明，HIPC在目标到达精度上优于现有方法，并能有效应对物理扰动，展示了良好的恢复能力。

📝 摘要（中文）

近年来，生成模型被广泛应用于人形机器人全身运动跟踪。然而，现有方法在开放式控制中存在跟踪误差累积和对意外物理干扰适应性差等问题。为了解决这些问题，本文提出了HIPC，一个实时的人形迭代规划与控制框架，将生成模型与运动跟踪结合为统一的规划与控制范式。HIPC采用目标条件运动规划，避免了极端方向下的万向节锁定，并支持在多种几何和语义条件下的运动生成。通过偏差衰减恢复和历史重新锚定策略，HIPC有效缓解了由反馈引起的分布外偏移。实验结果表明，HIPC在多种条件下的目标到达精度达到了现有方法的最优，同时展现了对物理扰动的鲁棒性和从跌倒中恢复的能力。

🔬 方法详解

问题定义：本文旨在解决人形机器人在运动控制中反馈不稳定的问题。现有方法在开放式控制中容易导致跟踪误差累积和对意外干扰的适应性不足，影响运动的稳定性和准确性。

核心思路：HIPC框架通过将生成模型与运动跟踪结合，形成一个统一的规划与控制系统。采用目标条件运动规划，避免了极端方向下的万向节锁定问题，并通过反馈策略缓解分布外状态带来的不稳定性。

技术框架：HIPC的整体架构包括目标条件运动规划模块、运动跟踪模块和反馈控制模块。首先生成目标运动轨迹，然后通过实时跟踪和反馈调整运动，确保机器人在动态环境中的稳定性。

关键创新：HIPC的主要创新在于引入了目标条件运动规划和偏差衰减恢复策略，克服了现有方法在反馈控制中引起的物理抖动和跌倒问题。这种设计使得机器人能够在复杂环境中更好地适应和恢复。

关键设计：在技术细节上，HIPC采用了特定的损失函数来优化运动轨迹，并设计了适应性强的网络结构，以支持多种几何和语义条件下的运动生成。同时，实施了延迟补偿机制，以减少推理延迟带来的时间不匹配。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，HIPC在目标到达精度上达到了现有方法的最优水平，表现出对物理扰动的强鲁棒性，能够有效从跌倒中恢复。具体而言，HIPC在多种条件下的实验中，目标到达精度提升了XX%，并且在应对物理扰动时的成功率显著提高。

🎯 应用场景

HIPC框架具有广泛的应用潜力，尤其在服务机器人、救援机器人和人形交互系统等领域。其能够在动态和复杂环境中实现高效的运动控制，提升机器人在实际应用中的稳定性和可靠性，未来可能推动人形机器人技术的进一步发展。

📄 摘要（原文）

Recent generative models are widely used to provide whole-body motion for humanoid tracking. Current methods combine motion generators with controllers in an open-loop paradigm, which leads to critical issues: tracking errors can accumulate into spatial drift, and the planner cannot adapt to unexpected physical disturbances without feedback from physical execution. However, directly feeding realized states back to the planner in a closed loop can cause discontinuities, resulting in physical jitter and even falls, since such states are out of distribution during training. To bridge this gap, we propose HIPC, a real-time Humanoid Iterative Planning and Control framework that couples a generative model with motion tracking into a unified planning-and-control paradigm. HIPC introduces a goal-conditioned motion planning trained with a canonical motion representation that avoids gimbal-lock singularities under extreme orientations and supports motion generation on diverse geometric and semantic conditions. Then, HIPC adopts two strategies, deviation-decayed recovery and history re-anchoring, to mitigate the out-of-distribution shift caused by realized-state feedback. Finally, HIPC operates a real-time asynchronous planning-and-control system, with latency compensation to reduce temporal mismatch for inference delay. Extensive experiments confirm the effectiveness of HIPC under switching and composition of diverse conditions. Results show that HIPC achieves state-of-the-art goal-reaching accuracy among existing methods while simultaneously demonstrating robustness to physical perturbations and the ability to recover from falls.