VLA 图库 / 模型列表 / 人形机器人全身控制器

AMO

AMO (Adaptive Motion Optimization)

UC San Diego · 2025-05

VA人形机器人全身控制器未公开RL策略

利用轨迹优化（Crocoddyl BoxFDDP）生成的混合数据适应躯干指令，实现超高自由度全身操作。

论文

AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body ControlarXiv 2505.03738

概述

分类

人形机器人全身控制器

类型

VA

发布

2025-05

机构

UC San Diego

权重公开

部分

参数

未公开

架构

主干LLM

无

视觉编码器

—

动作头

AMO 3层MLP (RL策略)

动作块

未公开

控制频率

50 Hz

架构原文摘要

AMO模块：3层MLP；PPO教师 → 监督学习学生；自主上身策略为ACT(Transformer) + DINOv2编码器

训练

预训练加速器

未公开 (IsaacGym大规模并行仿真)

预训练时长

未公开

预训练步数·批量

未公开 (env数未公开)

GPU·TPU-小时

未公开

微调

不适用；模仿学习每项任务50回合

数据类型

动作捕捉 / 仿真·合成 / 实机遥操作

数据规模

AMASS上身动作 + 随机躯干指令(规模未公开)；模仿学习每任务50个回合

主要数据集

AMASS

任务·评估

躯干跟踪；拿纸袋 8~10/10，扔塑料瓶 10/10，拿篮子（定性评估）

机器人

Unitree G1(29-DoF) + Dex3-1手，3-DoF主动头部，ZED Mini

推理

推理设备·速度

Jetson Orin NX 50 Hz

推理显存

未公开

权重 bf16（计算）

未公开

运行位置

机载 (Jetson Orin NX)

强化学习与底盘

强化学习

使用 (RL控制器训练) · AMO模块为PPO教师 → 监督学习学生。自主上身策略(ACT)为模仿学习

底盘控制

人形双足 (指令/潜变量 → RL行走控制器) · 自主ACT策略输出上身关节 + 下身用速度·姿态·高度指令 → AMO·RL下身策略生成腿部关节目标 (行走·转向)

备注

核心特点

利用轨迹优化（Crocoddyl BoxFDDP）生成的混合数据适应躯干指令，实现超高自由度全身操作。将遥操作·模仿学习指令转换为全身关节目标。

备注

RSS 2025。repo仅提供MuJoCo交互式演示(play_amo.py),故权重为'部分'。训练compute·参数在核验中也为NOT FOUND。

核验

已确认