XHugWBC：一个策略，控制一整座「人形机器人动物园」
🎯 为什么重要：每出一台新人形，就要重训两个月
过去三年，人形机器人公司像雨后春笋——Unitree G1/H1-2、Booster T1、Fourier N1、Agibot X2、Dobot Atom、EngineAI PM01、Leju Kuavo……每家的 DoF 数、关节排列、腰/臂/头有无、连杆动态都不一样。但学界主流的 whole-body control（WBC）方案长这样：
更糟的是，以往想做 cross-embodiment 的工作（MetaMorph、MorAL、URA、HOVER 等）都假设：
- 状态-动作空间已经对齐（你假设所有机器人都有同样的关节向量）；
- or 形态差异很小（比如四足之间）；
- or 用一个高维 descriptor 序列描述机器人，让网络去硬学。
这些假设在人形上全部崩盘：人形的 DoF 从 12（纯双腿）到 32（全自由度）跨度巨大，髋关节可能是 R-P-Y / Y-P-R / R-Y-P 不同排列，腰可能 0/1/3 DoF，手腕可能锁死……
💡 核心思想：让「训练分布」覆盖「所有可能的合理人形」
XHugWBC 的赌注是：如果训练时见过足够多「物理合法」的随机人形，真机器人就只是分布内的一个样本。但要让这个赌注成立，必须解决三个工程问题。下面是它的整体管线（论文 Fig.2）：
🛠️ 三个工程关键：让「跨机器人训练」真的不崩
| 设计 | 心智 | 为什么必要 |
|---|---|---|
| ① 物理一致的化身工厂 | 用伪惯性矩阵 $J=LL^\top$（Cholesky）参数化每个刚体，扰动在无约束 $\mathbb{R}^{10}$ 中进行；$J'=L'L'^\top$ 永远正定 | naive 随机化会让惯性矩阵失去物理意义（质量分布违反三角不等式），仿真器数值爆炸、策略学到的动态根本不可能出现在真实硬件上——sim-to-real 直接失败 |
| ② 32 维语义全局关节地址 | 定义 $N_{\max}=32$ 个有语义的「插槽」（左髋/右肩/腰yaw/...），每台机器人的关节按角色填入对应位置，无此关节则填 0；附带一个二值「可控」指示 $I^{(t)}$ | 策略输入维度恒定为 32，与具体机器人解耦；同时保留了「这个关节是什么角色」的语义信息（不是 descriptor 序列那样让网络硬学） |
| ③ 邻接矩阵 + Hybrid-mask Transformer | 从机器人 URDF 抽出 kinematic tree（parallel linkage 折叠掉），得到 $N_{\max}\times N_{\max}$ 邻接矩阵 $A$；Transformer 第一层按 $A$ 做掩码注意力，后续层解除 mask 全局交换 | 让网络先尊重局部拓扑（左肘只跟左肩/左腕亲近）再全局协调；比纯 MLP（忽略结构）和纯 GCN（丢失全局）都好 |
朴素做法：把每个 link 当盒子，独立随机化 mass / 长宽高。但这会产生「重心在体外」「转动惯量为负」这种物理不可能的刚体。仿真器（Isaac Gym）会硬撑着跑下去，但策略学到的「踢腿时机」是基于这些垃圾动态的——一到真机就翻车。XHugWBC 用 Cholesky 参数化保证 $J\succ 0$，所有化身都物理合法，这是它能在 7 台真机上零样本存活的地基。
📊 结果：12 仿真 + 7 真机，100% 存活
| 维度 | 数字（原文溯源） |
|---|---|
| 仿真覆盖 | 12 台不同人形（含训练时未见过的机器人） |
| 真机覆盖 | 7 台真机人形：Booster T1, Fourier N1, Unitree G1 (23/29 DoF 两版), Agibot X2, Dobot Atom, Unitree H1-2 |
| 零样本存活率 | 所有评估机器人 100% survival（Tab.1, Tab.2） |
| Generalist vs Specialist 回报 | generalist ≈ 85% specialist；generalist 微调后 +10% over specialist（§4.2） |
| 关键追踪误差（generalist） | $E_{vx}$=0.084 m/s, $E_{vy}$=0.116 m/s, $E_\omega$=0.160 rad/s, $E_h$=0.044 m（Tab.1） |
跨机器人 baseline 对比（Fig.5 zero-shot survival）：
| 方法 | 表现 |
|---|---|
| XHugWBC（本文） | 所有测试机器人接近 100% 存活 |
| MetaMorph（图 + MLP） | 多数机器人显著下降——高维 descriptor 难学 |
| MorAL（模块化 MLP + 形态输入） | 大部分机器人性能掉得更狠 |
| Naive Random（盒子近似 + 随机化） | 只在小范围内（质量分布相似的）能迁移 |
Sim-to-real gap（vx=0.6 m/s 直行 10s 的相对误差差 |E_real - E_sim|/E_sim，Tab.2）：
| 机器人 | 仿真 (m/s) | 真机 (m/s) | 相对 Gap |
|---|---|---|---|
| Booster T1 | 0.052 | 0.069 | 32.69% |
| Fourier N1 | 0.064 | 0.093 | 45.31% |
| Unitree G1 (23 DoF) | 0.051 | 0.065 | 27.45%（最小） |
| Unitree G1 (29 DoF) | 0.047 | 0.062 | 31.91% |
| Agibot X2 | 0.061 | 0.098 | 60.61% |
| Dobot Atom | 0.063 | 0.131 | 107.93%（最大） |
| Unitree H1-2 | 0.065 | 0.117 | 80.00% |
🌐 在领域中的位置
XHugWBC 站在「通用人形控制器」路线的当前 SOTA：第一个在 7 台真机上证明零样本通用的 generalist WBC。它与 BFM（行为基础模型）思路对偶——BFM 跨任务共享一个底座，XHugWBC 跨硬件共享一个底座。两者结合（一个跨任务、跨机器人的「超人形基础模型」）是显然的下一步。
❓ 常见误区
85% 不如 specialist，那为什么还要用 generalist？
两条理由：(1) 零样本 85% 已经能开箱即用，避免新机器人数月训练；(2) 用 generalist 做初始化微调，收敛比 from-scratch 快得多，最终还能超过 specialist 10%——因为 generalist 在训练分布里学到了跨形态的通用先验，相当于隐式做了 multi-task 正则。
为什么不直接用 MetaMorph 的图 + descriptor？
MetaMorph 把 link 惯性、joint range 等原始数字塞给网络，希望它自己学。但人形形态差异巨大，descriptor 维度高、信噪比低，网络学不出有用表示。XHugWBC 反过来——用图结构（邻接矩阵）显式告诉网络拓扑，而把动态参数留给随机化覆盖。这是「先验 + 数据」的分工。
32 个全局 joint 槽位够吗？
对人形够。模板定义覆盖：双腿（髋3 + 膝1 + 踝2 ×2 = 12）+ 腰（roll/yaw/pitch 3）+ 双臂（肩3 + 肘1 + 腕3 ×2 = 14）+ 头（3）= 32。最少 12（仅双腿）、最多 32（全自由度）都能映射进来。如果将来要做手指/灵巧手，得扩槽位。
teleop 那部分是真的「跨任务」吗？
不是。论文里的 loco-manipulation（捡玩具、开门，Fig.7）是上身外部控制 + 下身 XHugWBC：用一个二值指示 $I^{(t)}$ 切换「上身听 teleop / 上身归 WBC」，下身始终维持平衡。这是「上身长任务、下身通用 WBC」的组合，不是 XHugWBC 本身做了长程任务规划。
它能直接用在双足之外（四足、轮式）吗？
不能。模板是「人形」先验：双足 + 双臂 + 头。如果换四足， kinematic tree 完全不同，全局地址定义得重做。这是一个「人形动物园」内的通用模型，不是「所有移动机器人」的通用模型。