OmniXtreme：把"翻跟头"塞进一个统一策略

Yunshen Wang, Shaohang Zhu 等（BIGAI + Unitree Robotics + SJTU）。arXiv:2602.23843，2026 年 2 月。项目页 · humanoid whole-bodylocomotion T01flow matching 线索 T05

🧠 一句话心智模型：让一个神经网络同时学会舞蹈、空翻、霹雳舞、武术，常理上它会把所有动作"平均"成一个四不像。OmniXtreme 的招数是分两步——先用 flow matching 把一堆"专科医生"蒸馏成一个通才，再用一个小的残差策略把它适配到真机电机上。

🎯 为什么重要：高动态人形的"通用性墙"

过去几年，基于 RL 的人形动作跟踪已经很厉害——单条动作能做到毫米级还原。但研究者撞到一面奇怪的墙：动作库越多样化，跟踪精度就越崩。一个能跳芭蕾的策略，再加几条武术、空翻，整体精度就垮。论文称之为 "fidelity–scalability trade-off"（保真度-可扩展性权衡）。

核心矛盾：单一统一策略要同时覆盖「跳得快、转得急、接触频繁、时序紧」的极多动作，会撞上两堵墙——学习瓶颈（多动作 RL 互相干扰、梯度抵消、保守平均化）和物理可执行性瓶颈（真机电机有扭矩-转速曲线、再生制动、过流保护，sim 里没法全部建模）。

论文 Fig.1(a) 那张图很直观：作者们精心挑选的 XtremeMotion 数据集（约 60 条极限动作），在「角速度 vs 线加速度」平面上把标准多动作 benchmark（LAFAN1）远远甩开——空翻这类动作峰值角速度达 9.27 rad/s，线加速度 49.11 m/s²。

💡 核心思想：解耦"学得会"和"跑得动"

OmniXtreme 把"学一个统一策略"和"让真机跑起来"拆成两个独立阶段，各自解决一堵墙：

图 1：OmniXtreme 的两阶段框架。左：用 DAgger 把 N 个专家策略蒸馏成一个 flow matching 统一策略；右：冻结 flow 策略，只训练残差 MLP，并把真机执行约束（电机扭矩-转速包络、过流/再生制动惩罚、激进域随机）一次性补齐。

关键洞见：flow matching 不是用来"画动作"，而是当作一个可扩展的统一表示。论文 III-A.3 给出的训练目标是预测速度场：

$$\mathcal{L}_{\text{FM}}(\theta) = \mathbb{E}_{t,\epsilon,a_{\text{expert}}}\,\big\| v_\theta(a_t, t, o) - (\epsilon - a_{\text{expert}}) \big\|^2,\quad a_t = (1-t)\,a_{\text{expert}} + t\,\epsilon$$

这里 $a_{\text{expert}}$ 是某个专科教师对当前状态给出的动作，$\epsilon$ 是高斯噪声，$t\in[0,1]$ 是 flow 时间。这个速度场学的是「从噪声到专家动作」的位移方向，因此能像 score function 一样自然表达多模态动作分布（空翻起跳可以有几种正确姿态）。

🛠️ 让真机"翻跟头"翻得起来的四个工程关键

把 flow 策略搬到真机上，光有"通用性"不够，还得让它尊重电机的物理限制。论文 III-B 给出四个互相补充的工程件：

机制	心智	为什么必要
① 扭矩-转速包络 Torque-Speed Envelope	动态地把 commanded torque 裁剪到电机瞬时能输出的范围里（$\tau_{\max,0}$ 随 $\|v\|$ 线性下降到 0）	back-EMF 让高速时电机给不出力；标准 torque clipping 不建模这一点 → sim 里能做、真机跳不起来
② 非线性摩擦 Coulomb + Viscous	在裁剪后的扭矩上再减去 $\mu_s\tanh(v/v_{\text{act}}) + \mu_d v$，模仿关节内部损耗	电机内部损耗是 sim-to-real gap 的隐性元凶；不补会让"看起来对的策略"上机发飘
③ 功率安全正则 Power-Safe Penalty	对膝关节的"负机械功率"（$P=\tau\omega$）超出死区后加二次惩罚	高动态动作（空翻落地）瞬时制动会触发再生发电 → 过流保护跳闸；这条直接罚它
④ 激进域随机 Aggressive DR	把常见域随机的范围放宽约 50%，终止阈值放宽 1.5×，加地形台阶	残差策略要敢去救"濒死"状态；保守的早终止让它学不会救援

🔮 为什么用"残差"而不是"重新训"？
Flow 策略已经把动作分布学到位，重新训会破坏这种结构。残差 MLP 只学一个 小修正量 $a_{\text{res}}$，叠加到 $a_{\text{flow}}$ 上：$a = a_{\text{flow}} + a_{\text{res}}$。这样既不破坏已有的多样性，又能让真机执行约束"软着陆"。这就是论文标题说的"decouples general motor skill learning from sim-to-real physical skill refinement"。

📊 结果：157 次真机试验，91% 成功率，覆盖空翻/武术/霹雳舞

评估维度	关键数字（来自原文）
仿真总体（LAFAN1+XtremeMotion）	MPJPE 30.93 mm · Succ 98.54%（baseline MLP 蒸馏 94.91%，from-scratch RL 82.95%）
仅 XtremeMotion（极限动作）	MPJPE 36.17 mm · Succ 95.64%（baseline 在此处掉到 79–89%）
未见动作（AMASS 抽样）	MPJPE 56.05 mm · Succ 89.54%（baseline 85%）
真机总数	24 个动作 × 157 次试验 → 91.08% 总成功率
分技能成功率	空翻 96.36% · 武术 93.33% · 霹雳舞 86.36% · 侧手翻 88.57% · 杂技 80.00%
推理延迟	端到端 ≈ 10 ms（含 FK 状态估计 + flow + 残差），稳定 50 Hz，完全机载 Orin NX

关键洞察：消融（Tab. IV）显示，不同动作的"杀手"不同——空翻只需要 扭矩-转速约束就能稳；霹雳舞/杂技还得加 激进域随机；而落地动作只有再加上 功率安全才不跳闸。这四个机制是互补的，缺一不可。

另外，论文 Fig.4 的 capacity scaling 实验显示：把 MLP 换成 flow matching，扩大模型容量才能持续换精度；MLP 跟随容量上升很快饱和。这就解释了为什么"加宽加深网络"在传统 MLP 跟踪器上没收益——是表示能力先撞了顶。

🌐 在领域中的位置

单动作 RL 跟踪（ASA·Peng 类）→ OmniH2O / ExBody2 / ASAP（多动作但 MLP）→ OmniXtreme（flow + 残差）⭐→ VLA 时代的 flow / diffusion 动作头（π0、RDT）

OmniXtreme 把 "生成式动作表示 + 残差精修" 这套来自通用机器人学（Policy Decorator、ResiP、Diffusion Policy）的范式，第一次完整搬到高动态人形整身控制。它证明：保真度-可扩展性的"墙"不是物理定律，而是选错了表示 + 没把电机建模进来。关联线索：T01 移动谱系、T05 扩散策略谱系。

❓ 常见误区

它和 ASAP / BeyondMimic 那些多动作跟踪工作有什么本质不同？

ASAP/BeyondMimic 把"多动作"问题留在 RL 框架内解决（更聪明的 reward、curriculum、guided diffusion）。OmniXtreme 直接绕开多动作 RL——先用 flow matching + DAgger 把专家蒸馏成统一表示，再做残差精修。RL 这一步只剩"残差"，几乎不会被多动作梯度干扰。

残差策略不会"喧宾夺主"，最后学成一个完全不同的动作？

不会。论文 III-B.1 明确说 flow 策略冻结（参数不更新），残差策略观察里包含 $a_{\text{flow}}$ 本身作为条件，它的输出只是"小修正"。加上 power-safe 等约束，它的可行解空间是被牢牢框在 flow 给出的轨迹附近。

flow matching 比 diffusion 好在哪？

两者数学上很近。Flow matching（Lipman et al. ICLR 2023）的好处是训练目标直接是直线速度场，不像 diffusion 要走随机过程，推理的 Euler 积分步数更少、更稳定。对 50Hz 实时控制很关键。

真机 91% 听起来不算高，局限在哪？

"杂技"类（Acrobatics）只有 80%，主要是落地冲击大、过流保护易触发。作者在 Q4 消融里承认：即便功率安全机制加上，大冲击落地仍是当前天花板。这也是他们 future work 指的方向——把电流、温度等更细的电机状态建进策略。