一句话直觉

把机器人行为当一门语言大规模预训练。

秘诀是把"目标"和"动作"分开，只学动作。

这套方法之于人形机器人，就像大语言模型之于写作。

预训练一次，换任务不重训，换个指令开关就能用。

是什么·为什么

要解决的问题：之前的人形全身控制仍是"一个任务一个策略"。📎

走路、远程操控、动捕跟踪，各要专门的打分工程和专门的指令接口。

跨任务泛化有限。每来一个新任务都要重训。

BFM 的转身：把所有任务共享的那个隐藏目标抽出来。

作者观察到：所有全身控制任务都在做同一件事——生成引导机器人趋向目标状态的行为。

把这个共同目标大规模预训练，就得到一个不挑任务的基础模型。📎

方法核心（大白话）：BFM 先重新定义"行为"。

行为只含机器人自己的传感器历史和动作序列，刻意把目标排除在外。

这样一份行为能对应任何指挥方式。速度指令、遥操信号、参考姿态都行。📎

训练分两步。第一步在仿真里训一个"全能助教"。

助教能看到特权信息：真实质量、摩擦、未来目标。

它学会把每段人类动捕跟得很好。📎

第二步训真正的"学生"模型。学生看不到特权信息。

它边跑边请助教打样。助教给出示范动作，学生模仿。

同时学生把助教的"思考"压成一个紧凑的隐向量。📎

学生用条件变分编码器这个结构。它天然能输出多种合理动作，而不是单一答案。

这是它比前作那种"定解跟踪器"强的地方。📎

部署时只要告诉学生"这次你能看到哪几类目标指令"。

用一串零一开关当掩码激活。走路、远程操控、动捕跟踪三类任务，设好掩码就直接用。📎

为什么重要：第一个明确把人形 motor policy 当"基础模型"来训。

生成式、多任务、零样本。已被 ICRA 2026 接收。📎

在动作跟踪、远程操控、运动三类任务上全面超过前作通用基线和专门模型。

关键动作跟踪误差比 HOVER 低约三成。

还能做行为组合：把两个隐向量线性插值，得到同时转身加抬腿的回旋踢。📎

一句话类比：BFM 之于人形机器人，就像大语言模型之于写作。

语言模型先学好一门语言的全部味道。

写作、翻译、摘要都只是换个指令，不用重学语言。

怎么做

核心机制·CVAE 加掩码在线蒸馏。

BFM 是生成式策略（不是判别器、不是跟踪器），用条件变分编码器在大规模行为数据上预训练。📎

形式化的关键：行为与控制模式解耦（Sec.III.A）。

行为定义为本体感受-动作轨迹，显式排除目标状态。目标被视为"外部动机"，不进入行为本身。

这样一份行为可对应任意控制模式，从根源上避免"一个任务一个策略"。📎

记号上区分四种状态：仿真的特权本体感受与目标（助教看得到）；真机的本体感受与目标（学生看得到）。

两阶段训练：

1. proxy agent（特权助教）。用目标条件 PPO 加动捕模仿训练，跟 PHC/UHC 同源。特权本体感受含七类：刚体位置、关节位置、朝向、线速度、关节速度、角速度、上一步动作。特权目标是与当前帧的差分（局部坐标）。📎
2. CVAE 学生。先看架构三件套：📎

• 先验网络：吃真机本体感受加目标，输出隐向量分布。
• 编码器：吃仿真特权本体感受加特权目标加掩码，输出隐向量分布。均值用残差设计——学的是"相对先验的偏移"。这让推断时（无特权信息）仍能用先验。
• 解码器：吃真机本体感受加隐向量，出动作。方差固定不学。解码器故意不吃目标——逼隐向量必须编码更多行为知识，否则解码器会偷懒直接从目标抄动作。

掩码策略（论文的关键升级）。控制接口是"根位姿 + 运动学位姿 + 关节角"三类的并集，用零一掩码激活。

前作 HOVER 用两阶段（先训一类再训另一类）。BFM 改成每个掩码元素独立按概率零点五采样，原生支持任意控制模式组合，包括训练时没见过的组合。📎

在线蒸馏（DAgger 式）。每个 episode 用当前学生 rollout 得到真机状态轨迹；每步同步算对应的特权状态并问助教要示范动作。学生损失是两部分之和：模仿助教动作的误差，加编码器分布与先验分布的 KL 散度。📎

预训练规模与平台。IsaacGym，8192 个并行环境。机器人 Unitree G1（1.3 米、29 自由度，实验时冻手腕只用 23）。同时报告仿真、仿真到仿真、真机三个层面。📎

三个 latent 操作技巧：

• 行为组合：两个隐向量线性插值，得到混合动作（如回旋踢）。📎
• 行为调制：类似 classifier-free guidance，沿目标方向外推隐向量。蝶踢要外推系数零点五才能落地保持平衡。
• 残差学习：冻 BFM 参数，新训一个残差解码器学新动作（如侧空翻），比从零强化学习快得多。

常见误区（先抛一个，完整版见末尾）："BFM 是个跟踪器。"——不是。BFM 是生成式策略。跟踪器给定参考输出单一动作；BFM 学的是整个行为分布，用隐向量显式表达多模态。这是它零样本跨任务的根本。［未确认］

深度

ELBO 与 CVAE 损失（Sec.IV.D，Eq.5–8）：

$$\mathcal{L}_{\text{ELBO}}=\mathbb{E}_{q_\epsilon}\big[\log P(a_t|s^{p,\text{real}},s^{g,\text{real}},z)\big]-D_{\text{KL}}\big(q_\epsilon(z|s^{p,\text{sim}},s^{g,\text{sim}})\,\|\,P(z|s^{p,\text{real}},s^{g,\text{real}})\big)$$

关键不对称：编码器看仿真特权状态，先验看真机状态。这正是 teacher-student 的体现。编码器均值的残差设计：$\mu_\epsilon(\cdot)+\mu_\rho(\cdot)$，让推断时无特权信息仍可用先验。📎

在线蒸馏精确公式（Sec.IV.E，Eq.9）：

$$\mathcal{L}=\underbrace{\|\hat a_t-a_t\|_2^2}_{\text{DAgger}}+\lambda_{\text{KL}}\,\underbrace{D_{\text{KL}}\big(q_\epsilon(z_t|s^{p,\text{sim}},s^{g,\text{sim}})\,\|\,P_\rho(z|s^{p,\text{real}},s^{g,\text{real}})\big)}_{\text{KL}}$$

注意 KL 的两边：编码器吃特权状态、先验吃真机状态。论文 Eq.9 明确不含动作。📎

真机本体感受（Sec.IV.B）：堆叠 25 步历史——关节位置、关节速度、根角速度、投影重力、上一步动作。没有根线速度（真机拿不到）。

proxy agent 的奖励与域随机化（Table I/II）。奖励含任务项（身体位置、足位置、身体速度、关节位置、关键点位置、身体朝向等）加正则加惩罚（扭矩限位、关节位置、终止）。终止项权重达负二百。课程学习：前期只优化模仿，后期逐步加惩罚。域随机化：质心偏移、连杆质量、摩擦、PD 增益、扭矩 RFI；外部扰动每五到十秒推一次。📎

简化终止条件。不像 PHC/UHC 用多条件（重力、高度），BFM 终止条件简化为单一：机器人与参考姿态的平均连杆距离超阈即终止。这避免 RSI 后立即终止起床等动作。📎

RSI 加 hard negative mining。参考状态初始化（从动捕随机采起点）。当助教成功率不再提升时，对持续失败样本增加采样概率；同时过滤掉"不可信"样本。注意：BFM 预训练不再做二次过滤，直接用原始 AMASS。📎

关键实验结果（Table III/IV，AMASS 测试集）：📎

行为调制实验。扫外推系数 λ∈{0.5,1.0,1.5,2.0}，λ=1.0 在 AMASS 测试集最佳（关键点误差 58.7 vs 不调制 61.1）。λ=2.0 反而恶化——过度外推。验证 CFG 式调制存在最优点。📎

100STYLE 泛化。在所有指标上大幅领先 HOVER，证明大规模预训练带来跨风格泛化。📎

与 PHC/UHC 的本质区别：PHC/UHC 是定解跟踪器，学一个能模仿一切的跟踪器；BFM 是生成式 CVAE 策略，学一个能生成一切行为的基础模型。BFM 显式建模多模态，下游靠掩码切任务。［未确认］

与 HOVER 的三个关键区别（论文 Sec.II.A）：

1. 掩码采样：HOVER 两阶段，BFM 每元素独立伯努利零点五。
2. 目标平台：HOVER 主要在虚拟化身验证，BFM 直接对接真机 Unitree G1。
3. 生成式隐空间：HOVER 是定解策略；BFM 用 CVAE 提供结构化隐流形，支持组合与调制。📎

局限：

1. 未开源（最大问题）。截至 2026-07 官方代码未公开。论文也刻意省略多项关键复现细节：隐向量维度、网络层数、KL 权重主训练值、AMASS 训练数据规模、训练时长、掩码课程的衰减因子。复现需从论文加 HOVER/MaskedMimic 代码反推。📎
2. 跨形态 retarget 损耗。BFM 仍在 SMPL 到 G1 的 retarget 上预训练。剧烈动作（蝶踢、侧空翻落地）的动量与接触损失未充分量化——论文靠行为调制才让蝶踢不摔。［未确认］
3. mode collapse 是否真解。CVAE 显式建模多模态理论上比 AMP 单判别器更抗塌缩。论文用 t-SNE 展示隐向量有方向性作间接证据，未直接对比 AMP 式塌缩指标。［未确认］
4. 被 SONIC 超越。BFM 之后 SONIC 把规模放大到四千万参数加一亿帧，并接上 VLA。BFM 是"生成式基础模型"的先驱，但不是制高点。🌐

研究者视角

图谱定位：BFM 把 motion prior 线索的演化封顶到"生成式基础模型"这一步（T04 转折 6）。📎

AMP 把动捕凝练成 style-reward
  → ASE/CALM 凝练成 latent skill
    → PHC/UHC 学成 controller
      → BFM 放大为大规模预训练 motor foundation（生成式）
        → SONIC 进一步放大并接 VLA（当前制高点）

每一步都把"数据"利用得更充分、把"任务适配"做得更轻。［未确认］

BFM 的两个范式贡献：

1. 形式化重构。把"行为"从"控制模式"解耦——行为只含本体感受加动作，目标是外部动机。这一刀切下去，一个预训练模型才能统一多种控制模式。📎
2. 生成式策略替代跟踪器。CVAE 显式建模多模态行为分布，让行为组合（隐向量插值）和调制（CFG 外推）成为可能——这些定解跟踪器做不到。📎

与同期 BeyondMimic 的对照：两者同方向（可复用 motor 基座），机制互补。BFM 用 CVAE 在训练时统一多任务；BeyondMimic 用扩散在推理时组合任务。SONIC 后来把两者的规模化路线推到极致。［未确认］

社区 sibling：BFM-Zero（arXiv:2511.04131，LeCAR Lab）走另一条"无监督 RL 加 forward-backward 表示"的 promptable 路线（论文中提到的 Motivo）；MaskedMimic（arXiv:2409.14393）是 BFM 的虚拟化身版前身。［未确认］

Open problems：

1. 开源与复现。论文省略隐向量维度、网络规模、KL 权重、数据规模等关键细节，社区复现门槛高。能否补全可复现配方，是 BFM 影响力扩散的前提。［未确认］
2. 隐空间的可解释性。隐向量是黑箱，行为组合靠经验插值。能否赋予隐维度语义（动作类型、节奏），而非事后可视化？［未确认］
3. 跨形态零样本。BFM 仍绑 Unitree G1。一个跨形态（H1、Booster、自研人形）的行为基础模型，要等 XHugWBC 等后续工作。［未确认］
4. 生成 vs 跟踪的路线选择。BFM 选了生成式 CVAE；SONIC 选了大规模跟踪加 token。两条线哪个上限更高，仍是开放问题。［未确认］

常见误区

检查点

FAQ