BFM 综述：人形机器人的「下一个底层操作系统」
🎯 为什么重要：人形机器人控制「重训一次」的代价太高
过去几年人形机器人火了，但每个新任务都要付出巨大代价：
- 传统模型法（MPC / WBOSC, 2006-）：物理建模 + QP 求解。问题：调参靠经验、实时性差、动态技能（后空翻）几乎做不了、轻微一推就倒。
- RL/IL 任务专属法（2018-）：DeepMimic、AMP 等。问题：RL 样本效率极低（百万次交互）、奖励设计脆弱、sim2real gap；IL 受限于演示数据收集和演示者偏差。每个新任务都要重训。
- 行为基础模型 BFM（2024-）：大规模预训练 + 快速适配，把 LLM「训练一次，多任务复用」的范式搬过来。
综述的关键判断是：BFM 不是又一个新算法，而是一种工程范式的转折点——就像 NLP 从「每个任务训一个 BERT」转到「一个 GPT 走天下」。它把「机器人控制软件」从「一次性科研项目」变成「可迭代、可复用、可规模化的产品」。
💡 核心思想：BFM = 预训练 + 适配 两阶段
所有 BFM 工作都可以装进一个统一框架：先用大规模行为数据训练通用底层，再用轻量适配让它在具体任务上工作。综述把「预训练」和「适配」各分成三类：
🛠️ 三种预训练范式：外驱 / 内驱 / 无 reward
| 范式 | 信号来源 | 核心思路 | 代表工作 |
|---|---|---|---|
| ① 目标条件学习 | 外部 reward 或 mocap 跟踪目标 | 给策略一个明确的「目标」（pose / 速度 / 关键帧），用 RL 学「达到目标的通用技能」 | DeepMimic（跟踪一段动作）、ASE/CALM（对抗 IL 学技能空间）、HugWBC（命令空间跟踪）、MaskedMimic（部分目标 inpainting） |
| ② 内在奖励驱动 | 自监督信号（好奇心 / 状态覆盖 / 互信息） | 不指定任务，让 agent 自由探索，奖励「新颖性」或「技能多样性」 | ICM（预测误差当奖励）、DIAYN（最大化技能-状态互信息）、RE3（状态覆盖）、ODPP（行列式点过程） |
| ③ 前后向表征（FB） | 完全 reward-free 的转移数据 | 学 successor measure 的低秩近似 $M^\pi(X|s,a) \approx F(s,a)^\top B(s')$；训练后用任意 reward 推断策略，无需再训练 | FB / FB-IL（首个提 BFM 概念）、Motivo（+CPR 正则）、BFM-Zero（首个真机部署 FB） |
关键在于 $Q^\pi_r(s,a) = F(s,a)^\top z$ 这个分解——动作价值函数被拆成「策略在环境中如何演化」（$F$，前向）和「reward 投影」（$z = \mathbb{E}[B(s)r(s)]$，后向）。$F$ 和 $\pi$ 是 reward-agnostic 的（只依赖环境动力学），训完之后，给任意新 reward $r$，只要算 $z$ 就能立刻推出最优策略。这就像「先把地图学好，再根据任意起点终点找路」。Motivo 在这个基础上做出来 83% 的运动跟踪成功率、61% 的 reward 优化性能。
适配阶段则有两种主流思路：
| 适配方式 | 核心思路 | 代表 |
|---|---|---|
| 微调 | 用少量任务数据更新部分参数（FFT / LoRA），或调整 latent task vector | TaskTokens（长跳 99.75% 成功率）、ReLA/LoLA（零样本 +40%）、Belief-FB（2× 性能） |
| 层级控制 | BFM 当底层执行器，高层用 LLM / diffusion 做规划下指令 | CLoSD（diffusion 规划 + tracking）、UniHSI（语言→接触链）、LangWBC、LeVERB |
📊 关键 BFM 工作代表性指标
| BFM 工作 | 范式 | 关键数字 | 真机 |
|---|---|---|---|
| Motivo | FB + CPR | 动作跟踪 83%；reward 优化达 top-line 61%；运动多样性 4.70（±0.66）；300 步 episode 12s | 仿真为主 |
| BFM-Zero | FB + 双 critic | 首个真机零样本部署 FB；G1 / T1 上稳定 WBC | ✓ Unitree G1, Booster T1 |
| HugWBC | 目标条件 | 通用命令空间自动生成速度/步态/姿态目标；自监督命令跟踪（不依赖 mocap） | ✓ |
| HOVER | 多模式蒸馏 | 单一策略切换 loco/manip/nav 任务 | ✓ |
| SONIC | 目标条件 | （综述列入 SOTA 真机部署代表） | ✓ |
| TaskTokens（适配） | Goal-cond + token | 长跳任务 99.75% 成功率 | 仿真 |
| ReLA/LoLA（适配） | FB + latent adapt | 零样本性能提升 up to +40% | 仿真 |
🌐 在领域中的位置
综述把 BFM 定位为「next-generation 人形机器人控制系统」——不是某个算法，而是一种工程范式。它和 VLA 的关系也讲清楚了：VLA 主要解决稳定平台（机械臂、轮式）的多模态理解，BFM 主要解决全身高动态控制（双足、跳跃、平衡）。未来很可能出现「VLA 高层规划 + BFM 底层执行」的融合架构。具体方法卡片可看 BFM 方法、HugWBC、Motivo。
❓ 常见误区
BFM 和 VLA 是同一个东西吗？
不是。综述明确区分：VLA 主要处理视觉 + 语言 + 动作的多模态对齐，适用稳定平台（机械臂、轮式人形）。BFM 主要处理全身高动态控制（双足行走、平衡、跳跃），核心是 locomotion + manipulation 协同。两者侧重点不同，但未来会融合——比如用 VLM 做高层规划、BFM 做底层执行。
「目标条件学习」不就是普通的任务 RL 吗？凭什么叫 BFM？
区别在数据规模和复用性。普通任务 RL 只训一个技能（如「走」），换任务就重训。BFM 风格的目标条件学习是用大规模 mocap / 多任务数据训练，得到一个能条件化输出多种技能的通用策略。比如 HugWBC 一个策略就能切多步态——它把 WBC 重构成自监督命令跟踪，靠通用命令空间（自动生成速度/步态/姿态目标）驱动，不依赖 mocap 数据。判断标准是「能否零样本或快速适配到训练分布外的新任务」。
FB 路线为什么这么「冷门」？
几个原因：(1) 理论复杂，要学 successor measure 的低秩近似；(2) 训练数据要求——虽然 reward-free，但需要 reward-free 的转移数据覆盖；(3) 早期在 DMC Humanoid 等数据集上效果一般，直到 Motivo 引入 CPR 正则才大幅提升；(4) 真机部署仍只有 BFM-Zero 一例。综述判断它是「最有理论潜力但工程最不成熟」的一条路。
读了综述，我该从哪个 BFM 工作上手？
看目标。工程落地优先：HugWBC + HOVER（真机成熟、命令空间丰富）；理论研究：FB / Motivo（reward-free 优雅）；跨 embodiment：参考 EAGLE（也是广义 BFM 跨体延伸）。综述 GitHub 仓库 awesome-bfm-papers 有持续更新。