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 ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 作者丨 Jiacheng Liu等 编辑丨具身智能之心 本文只做学术分享，如有侵权，联系删文 研究背景与问题 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 想象一下：双足人形机器人在客厅里灵活深蹲取物，在厨房中跨高度整理餐具，全程无需大量人工演示数据——这一看似遥远的场景，正被 TrajBooster 框架推 向现实。 近年来，视觉 - 语言 - 动作（VLA）模型让机器人自主执行家庭任务成为可能，轮式人形机器人已能完成深蹲、跨高抓取等复杂动作，AgibotWorld Beta 数据集 显示其末端执行器轨迹覆盖 0.2-1.2 米范围，足以应对日常家庭场景。但双足人形机器人的研发却陷入瓶颈：它需要在保持下半身动态平衡的同时，用上身完成 操控，实现大范围全身动作难度极高。更关键的是，训练这类机器人需要大规模高质量演示数据，而传统遥操作流程依赖昂贵设备和专家操作，生成的数据集规 模小、场景单一，导致 VLA 模型难以适配新机器人的动作空间。 为解决这一痛 ...