东谈主形机器东谈主对跳舞这件事，如今是越来越擅长了。

比如跳一支查尔斯顿舞，一分四十秒的丝滑扭捏，巩固得像踩着节律器：

不外，它们能否像东谈主类雷同自由切换跳舞、体操、畴昔操作等不同的动作方法？

北京大学与 BeingBeyond 团队勾通研发的 BumbleBee 系统给出了最新谜底：通过转变的"分治 - 精熟 - 交融"三级架构，该系统初度杀青东谈主形机器东谈主在各样化动作中的巩固截止。

破解"大众窘境"与"施行规模"

传统东谈主形机器东谈主截止战术永久濒临两大中枢挑战：

大众窘境：单一任务优化导致系统复杂度增长，难以遮蔽多场景需求。

施行规模：仿真环境进修的战术在确凿物理寰宇中阐明断崖式下落，动作实行精度与巩固性无法保险。

BumbleBee 系统通过"分治 - 精熟 - 交融"三级架构，初度在单一截止框架内杀青从大众战术优化到通用全身截止的跳跃，为通器用身智能截止提供了全新处分决策。

提示 - 语义勾通运行的动作分类：构建动作会通的"双通谈"

系统通过多模态特征构建与勾通隐空间对都，杀青动作在提示学与语义层面的双重表征：

提示学特征索要：基于 SMPL 体式的东谈主类提示序列，通过前向提示学诊治为寰宇坐标系中的 3D 枢纽坐标（如头部、骨盆、看成等短处点），并补充脚部速率、根节点位移等动态物理量；终末通过 Transformer 编码。

语义特征编码：诳骗 BERT 模子对动作文本描摹（如"托马斯回旋：水平旋转 360 度，双手补助大地"）进行编码处理，并通过 Transformer 映射至与提示特征同维度的隐空间。

勾通潜在空间对都：通过对比学习将提示特征与语义特征在兼并隐空间对都，确保具有相似语义不祥提示特征的动作在隐空间中围聚，酿成提示 - 语义勾通表征。

K-means 聚类：在隐空间中对提示数据进行分类，酿成结构化数据集。相较于传统手工分类，该次第自动捕捉动作的提示学特征与语义的关连，使聚类效果在提示学与语义上的一致性获得种植。

仿真到施行的各别建模：弥合"施行规模"

大众战术进修：在每个动作簇内进修大众提示追踪战术，并通过增量动作模子（Delta Action）抵偿仿真与施行的物理各别（如电机蔓延、大地摩擦力变化）。

多大众交融的通用战术：通过 DAgger 算法将多个大众战术的学问蒸馏到一个通用战术中，杀青跨动作类型的无缝切换。在 MuJoCo 仿真环境中，通用战术的顺利率达 66.84%，显耀优于各样基线次第；确凿机器东谈主实验中，几分钟的连气儿跳摆动作顺利率 100%。

实验考证：数据运行的性能打破仿真环境：异常基线的全面上风

商议东谈主员在 IsaacGym 和 MuJoCo 仿真环境进行了全面评估，使用任务顺利率（SR）、枢纽角舛讹（MPJPE）、短处点舛讹（MPKPE）等主义对比现存次第：

在更接近确凿的 MuJoCo 环境中，BumbleBee 的顺利率达到66.84%，显耀优于其他基线（最高仅 50.19%）。

确凿机器东谈主：巩固与机动的双重考证

在 Unitree G1 平台上，系统阐明出以下特色：

动作巩固性：如汤灌雪地完成各样长程跳舞任务。

高难度动作截止：不错进行托马斯回旋、侧手翻等动作。

接下来，商议团队斟酌在以下标的接续打破：

多模态感知友融：整合视觉 - 惯性里程计与触觉响应，种植动态环境符合性。

当然谈话指示运行：通过当然谈话指示顺利生成动作序列（如"跳一段餍足的跳舞"）。

名堂主页：https://beingbeyond.github.io/BumbleBee/  

论文流畅：https://arxiv.org/abs/2506.12779v2

一键三连「点赞」「转发」「留意心」

宽宥在指摘区留住你的念念法！

—  完  —

� � 点亮星标 � �

科技前沿进展逐日见体育游戏app平台