FAST：给人形机器人一个「保命优先」的全身控制器

Zepeng Wang, Jiangxing Wang, Shiqing Yao 等（武汉大学 + BeingBeyond + 北京大学）。arXiv:2602.11929，2026 年 2 月。项目页 · motion_priorhumanoid WBCresidual policyfast adaptation

🧠 一句话心智模型：人形机器人学动作的痛点是——预训练控制器见到"野路子"动作（YouTube 视频、文本生成的动作）就摔。FAST 不去重新训练一个大模型，而是冻结预训练底座，只训一个 3 层 MLP 的小残差，再用两条数学绳（Parseval 正则 + KL 约束）把它拴在底座附近——既能快速适应新动作，又不会忘掉老能力。同时把质心（CoM）写进观测和奖励，让机器人在追乱动作时自动"保守一些"，优先保命。

🎯 为什么重要：「分布漂移」是人形 WBC 的头号杀手

2024–2026 年，基于 motion tracking 的人形 WBC（OmniH2O、ExBody、GMT、TWIST2 等）已能跟踪 AMASS 等干净数据集里的动作。但真实部署遇到的是杂乱来源的动作：

核心矛盾：动作参考来源五花八门——离线动捕、实时遥操、文本生成（text-to-motion）、单目视频估计——质量、噪声、物理合理性都不同。在训练分布外的动作上，现有控制器频繁跟踪失败甚至摔倒。而机器人有低延迟、高频率的硬约束，又不能用超大模型去 brute-force 覆盖所有动作。

图 1：三条应对分布漂移的路线对比（论文 §1）。FAST 选了第三条——「预训练 + 轻量残差」。

💡 核心思想：三段式管线——数据 → MoE 底座 → 残差适应

FAST 的整体设计是「先训一个保命的通才，再用小残差专精」。底座用 MoE 处理动作多样性，残差用 Parseval + KL 双绳拴住。

Parseval：W^T W ≈ sI 　（特征近似正交） · KL：π(·|s) 靠近 π_b(·|s) 　（分布不漂移） → 既能学新动作又不忘老的

图 2：FAST 三段管线（论文 Figure 2 还原）。数据加 CoM 信号；底座 MoE 学动作多样性 + CoM-Aware 保命；遇到新分布只训小残差。

🛠️ 四个让残差适应「稳」的关键设计

设计	怎么做	为什么必要
① 残差参数化	底座 π_b 完全冻结；只训 3 层 MLP 的 π_r；最终动作 $a_t = a^b_t + a^r_t$	低数据场景下端到端微调贵且易塌；残差把要学的参数压到最小
② Parseval 正则	对残差所有线性层（除输出层）加 $\\|W^\top W - sI\\|_F^2$，鼓励列向量近似正交	约束谱范数 → Lipschitz 连续（论文 Prop.3.1 给证明）；让残差对状态扰动不敏感，优化更稳
③ KL 约束	软约束 $D_{KL}(\pi(\cdot\|s_t) \\| \pi_b(\cdot\|s_t))$，加到总 loss 里	残差只在新动作上训，没有老动作监督，必须显式拴住防止 drift（论文 Prop.3.2 给出残差动作幅值的界）
④ CoM-Aware 控制	把参考动作的 CoM / CoP 加进观测；当 ref 的 CoM-CoP 距离 > 阈值时，动态降权 tracking 奖励，并加显式 stability 奖励（鼓励 actual CoM 靠近 CoP）	野路子动作可能物理不可行；硬追会摔。"先看动作危险程度，决定追几分"——把追踪精度换稳定性

🔮 直觉：为什么 Parseval + KL 互补？
Parseval 限制残差在参数空间里"光滑"——输入稍微变一点，输出不会跳。这是局部光滑性。
KL 限制残差在分布空间里"贴近底座"——输出的动作分布不能离底座太远。这是统计稳定性。
两者合力 = 既光滑、又不漂。论文 Proposition 3.1 + 3.2 给出形式化保证。结果是：残差能学新动作，但底座的老能力不会被冲掉。

📊 关键结果：训练分布内稳、OOD 上强、保能力不忘

方法	AMASS（训练集）Succ ↑	MotionX（OOD 测试）Succ ↑	备注
GMT	77.55%	38.91%	此前 SOTA 通用 tracker
TWIST2	72.61%	31.82%	遥操派 SOTA
FAST（本文）	87.14%	51.46%	底座 zero-shot 即优于两者

CoM-Aware 消融	分布内 Empd ↓	分布内 Slip ↓	分布内 Succ ↑	OOD Succ ↑
FAST w.o. CoM	0.171	1.472	84.15%	79.07%
FAST（完整）	0.156	0.909	97.56%	86.63%

关键观察（数据来自论文 Table 1 / Table 2 / Figure 3）：
1. 底座 zero-shot：AMASS 上 +10%、MotionX 上 +13% 绝对提升，证明 CoM-Aware + MoE 本身就比 GMT/TWIST2 强。
2. CoM-Aware 把高动态动作的成功率从 84% 拉到 97.5%（分布内）、从 79% 拉到 86.6%（OOD）；分布内 Slip 降近四成（1.472→0.909）。
3. 残差适应比"从头训"和"全微调"都更快收敛，且 AMASS 上能力不退化（残差-only 退化明显，加 Parseval + KL 后基本不退）。
4. 真机支持：zero-shot 高动态追踪、视频估计动作、text-to-motion、实时遥操四种来源都跑通。

🌐 在领域中的位置

AMP / ASE（技能专用）→ PHC / OmniH2O / ExBody（motion tracking 通才）→ GMT / TWIST2（通用 tracker）→ FAST（通才 + 残差快适应）⭐→ SONIC（规模化派）

FAST 在「规模化」和「专精化」之间选了第三条路——通才底座 + 可拴住的残差。它和 SONIC 的「堆数据堆模型」是两条互补路线：规模化提 zero-shot 上限，FAST 提低成本的 OOD 适应。它的数学保证（Prop. 3.1 / 3.2）也在这类工作中少见——给了残差适应的理论稳定性。关联线索：motion_prior / 人形 WBC 谱系。

❓ 常见误区

FAST 是一个新模型架构吗？

不完全是。它的底座是 MoE + CoM-Aware（架构上和 GMT、PHC 系列接近）；真正的新意在「底座 + 残差 + 双正则」的适应方案——即"如何用最小代价让通才学新动作"。核心贡献是适应方法而非底座本身。

CoM-Aware 为什么有效？

因为它动态权衡"追踪 vs 保命"。当参考动作的 CoM-CoP 距离过大（说明动作"危险"），自动降权 tracking 奖励——机器人就不去硬追，而是保守执行。同时显式 stability 奖励把 actual CoM 拉回 CoP 上方，主动维持平衡。等于给策略装了个"安全阀"。 Parseval 正则和 dropout、weight decay 不一样吗？

不一样。weight decay 鼓励权重小；Parseval 鼓励权重列向量正交（$W^\top W \approx sI$）。直接效果是限制层的谱范数，从而 Lipschitz 连续。这是从泛化理论 / Lipschitz 正则化里借来的工具，论文 Prop. 3.1 形式化了它在残差上的作用。它在真机上能跑哪些来源的动作？

论文 Figure 1 演示了四类：（i）zero-shot 遥操（高动态追踪）；（ii）视频动作估计（YouTube 单目视频里的人转成机器人动作）；（iii）text-to-motion（文本生成动作再执行）；（iv）残差适应（低质量或 OOD 动作快速微调）。说明它面向的是"动作来源多样"的真实部署场景。