轮式机器人助力双足机器人高效学习，推动跨形态教学创新

当前，人形机器人技术正处于蓬勃发展阶段，视觉-语言-动作(VLA)融合系统已能出色完成多种家务工作，展现了令人瞩目的适应能力和稳定表现。然而，双足人形机器人的进步始终被数据短缺所困扰——缺乏全面覆盖全身动作的高质量示范数据。过去采用的远程操控采集方式不仅投入成本巨大，采集效率也不尽如人意，难以满足家用场景下复杂多变的任务要求。

面对这一瓶颈问题，来自浙江大学与西湖大学等机构的研究人员开发了一项突破性的TrajBooster解决方案。该技术框架巧妙利用轮式机器人的丰富操作数据，配合轨迹转换技术，使双足人形机器人的动作学习效率实现质的飞跃。实际测试显示，仅需目标机器人10分钟的实际运行数据，就能完成各种高难度的全身协调动作，大幅提升了机器人对动作空间的解读能力以及在未训练任务中的迁移能力。

TrajBooster技术创新解析

研究人员创新性地将6D末端轨迹（三维坐标+三维旋转）设计为与机器人形态无关的通用传输媒介。他们观察到，无论机器人采用何种移动方式，执行任务时末端执行器的运动轨迹都呈现出一致性特征。以抓取水杯为例，无论是轮式底盘还是双足结构，机械臂都需要遵循相似的接近和抓取路径。正是基于这一发现，TrajBooster建立了一个"实际→仿真→实际"的闭环系统：先将轮式平台的操作指令、视觉信息和动作轨迹提取出来；接着在虚拟环境中将这些数据转换为双足机器人的完整动作；最后用生成的数据预训练VLA模型，只需要少量实用数据调整就能投入使用。

为保证运动轨迹的精确转换，团队研发了一套分层控制机制。上层运用逆向运动学算法，根据指定末端位置直接计算出机械臂各关节角度；下层则运用分层强化学习策略控制腿部和平衡系统。具体实现上，管理策略负责规划躯体移动模式，如调整躯干高度或底座速度；实施策略则将这些高级指令转化为12个腿部关节的具体运动。团队还创新性地开发了"协同在线DAgger"优化算法，通过梯度下降方法显著提升了轨迹跟踪效率。

两阶段训练方案

在模型构建过程中，TrajBooster采用独特的双阶段训练策略。后预训练阶段将转换后的动作数据与原始数据中的语言指令、视觉观测相结合，构成训练三元组，对已预训练的VLA模型进行持续优化，使其初步掌握目标机器人的动作特征。而后训练阶段仅需10分钟实际运行数据就能完成模型微调，有效消除模拟环境与实际场景的差异。这种设计将耗时的动作学习过程集中在仿真环节，显著降低了数据采集的投入成本。

通过在宇树Unitree G1双足机器人平台上的实测验证，TrajBooster展现出了卓越的性能表现。在执行"抓取玩偶""整理玩具箱"等任务时，经过后预训练的模型各项指标明显优于直接使用大量真实数据训练的传统模型。当目标物体位置出现变化时，后预训练模型的成功率保持在80%的高水平，而传统模型却完全无法应对新技术要求。通过对运动轨迹的分析发现，未经后预训练的模型仅能机械重复训练数据中的动作，而优化后的模型则可以灵活生成新轨迹来适应不同位姿。

更具突破性的是，优化后的模型展现了出色的零样本迁移能力。在面对"传递玻璃杯"这类未包含在实际训练集中的任务时，该模型无需额外训练就能顺利完成，充分证明了轮式平台"递送物品"的技能已成功通过轨迹转换植入双足系统。这一革命性进展不仅验证了TrajBooster框架的实用性，更开创了解决机器人数据匮乏问题的新途径。