arXiv Robotics· Yunheng Wang, Jiaxi Zhang, Wei Lu, Yuetong Fang, Taowen Wang, Yixiao Feng, Shuning Zhang, Junzhe Xu, Yichi Wang, Zizhao Yuan, Kailun Huang, Lusong Li, Mingqian Zhou, Zecui Zeng, Renjing Xu·· 5 小时前AI 评分34
Kimodo-Policy：以运动生成为预训练目标的人形机器人全身移动操作策略
Kimodo-Policy: Learning Kinematic Action Models for Humanoid Loco-Manipulation
AI 导读
Kimodo-Policy 将全身运动作为直接预训练目标，用冻结的 Kimodo 文本到运动生成骨干加轻量 ControlNet 视觉条件，学习人形机器人移动操作策略。模型共 678M 参数（92M 可训练），在多任务 HumanoidArena 上取得 72.14% 的最高总体成功率，八项真实世界任务平均成功率 60%。消融实验支持预训练运动骨干的贡献。
推荐理由模型分析
论文把全身运动生成作为预训练目标，用冻结的Kimodo文本到动作骨干加轻量ControlNet视觉条件，构建根-身-手层级与动作分块闭环控制。人形机器人全身移动操作研究者可参考其678M参数（92M可训练）设计，以及在HumanoidArena 72.14%、八项真实任务60%成功率上的基线；消融支持运动骨干的贡献，但真实任务成功率仍属初步证据。
来源：arXiv Robotics · arxiv.org