加州大学伯克利分校与斯坦福大学提出BeyondMimic框架，机器人可学习人类动作并组合技能

加州大学伯克利分校与斯坦福大学团队在Science Robotics发表研究论文，提出基于强化学习的运动跟踪框架BeyondMimic。该框架使人形机器人能够从人类动作中学习并组合技能，实现空中侧手翻、旋踢、翻踢、冲刺等高动态动作。

BeyondMimic分为两个阶段：第一阶段采用统一的运动跟踪流程和共享超参数，从约2.5小时的人类动作数据中学习数百种动作，无需为每个动作单独设计奖励；第二阶段训练统一的潜在状态-动作扩散模型，将多种技能整合进同一运动分布，并通过分类器引导（classifier guidance）在推理阶段根据新目标生成和组合动作。

研究团队将21个代表性动作部署到真实机器人，覆盖单腿站立、起身等平衡行为以及空中侧手翻等高动态动作。在室外软土、落叶等未见过地面上，机器人仍能完成动作并保持稳定。用户研究中，77名参与者对行走和奔跑片段进行偏好选择，BeyondMimic整体获得70.8%的偏好率。

该框架还能处理训练阶段未出现的路径导航、摇杆遥操作、障碍物躲避和动作插入任务，使机器人根据速度指令在行走与奔跑间切换，或从行走平滑进入翻滚等动作。研究团队表示，BeyondMimic的未来迭代版本有望发展出直接从人类示范中学习的模型，并使机器人在不同环境中实现多样化动作。相关论文于2026年8月发表于Science Robotics。