近年来，人形机器人技术突飞猛进，特别是基于视觉 - 语言 - 动作（ Visual-Language-Action, VLA ）模型的系统，已能够执行多种家务任 务，展现出较高的可靠性和泛化能力。然而，一个长期存在的瓶颈问题限制了其进一步发展：双足人形机器人缺乏大量高质量、覆盖全身动作的演示 数据。传统的远程操作数据收集方式成本高昂、效率低下，且往往局限于特定场景（如桌面操作），无法满足机器人在实际家庭环境中执行多样化任 务的需求。 针对这一挑战，来自浙江大学、西湖大学等机构的研究团队 提出了一项 名为 TrajBooster 的创新框架：利用轮式机器人的丰富操作数据，通过轨 迹重定向技术，大幅提升双足人形机器人的动作学习效率。该方法仅需极少量目标机器人的真实数据（ 10 分钟），即可实现复杂的全身操控任务， 显著增强了机器人的动作空间理解能力和零样本任务迁移能力。 ▍ TrajBooster 的核心思想：以轨迹为通用语言的"跨形态"教学 整个过程最核心也最具挑战的一步，是如何在仿真中把一条轨迹转化为双足机器人稳定、可行的全身动作。 研究团队设计了一个分层控制模型，把复杂问题拆解成更易处理的小问题： 上层：逆 ...