ExBody：上半身「演」，下半身「稳」

Xuxin Cheng, Yandong Ji 等（UC San Diego，Xiaolong Wang 组）。arXiv:2402.16796, 2024。项目页 · humanoid whole-bodymotion imitation 线索 T03relaxed tracking

🧠 一句话心智模型：让人形机器人上身跟人学跳舞/挥手/打拳，但下身不要死磕每个关节角——只要腿能稳稳跟住「往前走、转弯、变速」的命令就行。这一「松紧搭配」，把动捕数据从「仿真里的虚拟人」搬到了「真铁疙瘩」上。

🎯 为什么重要：人形机器人不只是「会走」的工具

传统腿足机器人控制有个默认目标：走稳、走得快、走得省电。但人形机器人最有意思的地方恰恰不在「走」，而在边走边做动作——挥手、跳舞、与人握手。问题是，这两个目标在真机上打架：

核心矛盾：图形学里那套「physics-based character animation」在仿真里好看，搬到真机就崩。

仿真里的虚拟人（SMPL）有 69 个自由度，Unitree H1 真机只有 19 个——直接迁移会丢大量动作细节；
仿真里的「肌肉」需要 60 kg/m 量级的执行器增益（PD gain），比真机大一个数量级——动作在仿真里能做出来，真机做不动；
图形学方法用「全局坐标下的速度、关键点位置」作为观测，这些真机看不到。

ExBody 的回答是：不要全身上下都去 mimic。上身有 9 个自由度，足够表达「挥手、抱拳、跳舞」这种表达性动作，就老老实实跟动捕学；下身两条腿，跟参考动作太死板反而学不出稳健步态——放松到只跟「整体身体位移/朝向」。

💡 核心思想：把目标空间拆成「表达」和「移动」两半

ExBody 把控制目标显式拆成两个子空间：expression goal $g_e$（上身动作）和 root movement goal $g_m$（整体移动）。一个策略同时跟这两个目标。

图 1：ExBody 的核心拆分。上身严格模仿（保证表达性），下身放松到只跟整体移动命令（保证稳健性）。单策略同时学习两个目标。

🛠️ 三个工程关键

设计	心智	为什么必要
① 大规模 MoCap 数据 + 半自动筛选	从 CMU MoCap 选 780 段（walk/dance/basketball/punch 等），共 ~3.7 小时；排除涉及重物、阶梯、双人互动的	之前人形工作只用几十段参考（ASE 187 段、PHC 11000 段但只在仿真）。覆盖广度给策略提供了「人怎么做动作」的天然先验，相当于隐式课程（从站到走到舞）
② Random State Initialization (RSI)	每个 episode 重置时，把机器人初始化成参考动作数据集里随机一帧的状态	没有 RSI，机器人默认站姿开始探索，前期只能学到「立刻坐下避免惩罚」（论文里 No RSI baseline MEL=0.23，几乎全失败）；RSI 相当于 dense supervision 起步
③ 只用真机能拿到的观测	策略只看本体感觉（关节、IMU、上次动作）+ 目标命令；不看全局位置、速度、关键点	论文 Table I 强调 PHC/ASE 用了线性速度、keypoints 等「真机拿不到的特权信息」。ExBody 删掉这些 = 可直接 sim2real

🔮 反直觉发现：「上身动得越丰富，下身走得越稳」
Table IV 显示，加上丰富上身动作的数据集，反而让下身步态更稳（MELV=318.67 vs Random Sample 的 181.85）。论文解释：动捕数据本身就是「人怎么协调全身」的天然课程——很多片段从站立开始过渡到走，给策略提供了从静态到动态的渐进样本，比人工设计的均匀命令采样更合理。

📊 结果：首个真机部署的「表达性人形控制」

维度	数字（来自论文 Table IV/V）
训练数据规模	CMU MoCap 子集 780 段 / 3.7 小时（PHC 11000 段 40h，但只在仿真；ASE 187 段 0.5h）
线速度跟踪（MELV）	318.67（运动数据采样）/ 132.14（随机命令采样）—— ExBody + 大数据集 ≫ Random Sample 181.85 ≫ No RSI 0.63
真机测试稳定性	14 个动作 10 秒测试，平均 roll+pitch 波动 0.051 rad（ExBody+AMP 反而更抖 0.087）
真机部署能力	跳舞、握手、拥抱、与人类手拉手舞步——首个 learning-based 真机多样人形控制
重要消融	No RSI 几乎全失败（MEL 0.23）；Full body tracking（上下身都跟）反而更差（MELV 246 vs 318）

关键洞察：ExBody 的胜负手不是「更大的网络」或「更精细的 reward」，而是问题重构——把「全身上下都模仿」改成「上身模仿 + 下身命令跟踪」。这印证了一条研究哲学：真机上的瓶颈往往是问题表达，不是算力。

🌐 在领域中的位置

DeepMimic（全身跟踪）→ AMP / ASE（对抗式 motion prior）→ PHC（perpetual humanoid, 仿真）→ ExBody（relaxed tracking, 真机）⭐→ BeyondMimic / HOMIE / HUB（人形 versatile 控制）

ExBody 是「真机多样人形控制」的开端。它把图形学积累的 motion data + RL 范式，第一次以「可信、稳健、可商部署」的形态放到真机上。后续 BeyondMimic（用 diffusion 引导）、HumanPlus（影子模仿）、HOMIE（人类遥操作 + 模仿）都继承了「relaxed 下肢 + 模仿上身」的拆分。关联线索：T08 人形控制谱系。

❓ 常见误区

ExBody 是「learning-based humanoid control」的第一个工作吗？

不是「第一个」，但是「第一个在真机上做到丰富多样动作」。之前 PHC 在仿真里很强但真机不可部署；Robomimic / Hutter 等四足 + 简单上身的工作覆盖动作太少。ExBody 第一次把「跳舞、挥手、与人互动」这类高维表达性动作放到了商业人形机器人上。

为什么不直接让下身也跟踪动捕？人腿不也是人腿吗？

因为机器人的腿和人的腿不一样。H1 只有 5 个 hip+ knee+ ankle 自由度（每腿：3 hip + 1 knee + 1 ankle），人有远超这个的自由度（含脚趾、脊柱的细微补偿）。强行让机器人腿去拟合人腿每个关节角，会让控制器过约束，学出来的步态僵硬、易摔（Table IV 里 Full Body Tracking MELV=246 vs ExBody 318）。放松到只跟「整体移动」= 给策略留出自由发挥腿姿的空间。

它和 AMP（Adversarial Motion Priors）什么关系？

AMP 是替代手动 reward 的「风格奖励」——用判别器打分「这看起来像不像人」。ExBody 论文也对比了 ExBody+AMP baseline，发现：AMP 让上身更接近参考的「质感」，但下身步态变差（MELV 从 318 跌到 205），原因是 AMP 鼓励「直腿站」而非「弯膝走」，对真机不友好。所以最终方案选了纯 tracking reward。