近日，來自北京大學與BeingBeyond的研究團隊提出DemoHLM框架，為人形機器人移動操作（loco-manipulation）領域提供一種新思路——僅需1次仿真環境中的人類演示，即可自動生成海量訓練數據，實現真實人形機器人在多任務場景下的泛化操作，有效解決了傳統方法依賴硬編碼、真實數據成本高、跨場景泛化差的核心痛點。

核心挑戰：人形機器人移動操作的“三重困境”

移動操作是人形機器人融入人類環境的核心能力（如搬箱子、開門、遞物等），但長期受限于三大難題：

• 數據效率低：傳統方法需采集大量真實機器人遙操作數據，成本極高且難以規模化；
• 任務泛化差：依賴任務特定的硬編碼設計（如預定義子任務、專屬獎勵函數），換任務需重新開發；
• Sim-to-Real遷移難：基于仿真訓練的策略常因物理引擎差異、傳感器噪聲，無法在真實機器人上穩定運行。

現有方案要么局限于仿真場景，要么需消耗數百小時真實遙操作數據，難以滿足家庭、工業等復雜場景的實用需求。

DemoHLM：分層架構與數據生成革新，破解三重困境

DemoHLM的核心創新在于“分層控制+單演示數據生成”雙引擎，既保證了全身運動的穩定性，又實現了極低數據成本下的泛化學習。

分層控制架構：兼顧靈活性與穩定性

DemoHLM采用“低層全身控制器+高層操作策略”的分層設計，解耦“運動控制”與“任務決策”：

• 低層全身控制器（RL訓練）：負責將高層指令（如軀干速度、上半身關節目標）轉化為關節力矩，同時保證機器人全方位移動性與平衡能力。基于AMO框架優化，運行頻率50Hz，可穩定處理高接觸場景（如抓取、推物時的力交互）；
• 高層操作策略（模仿學習）：通過視覺閉環反饋（RGBD相機感知物體6D位姿），向低層發送任務導向的指令，實現復雜操作決策。支持ACT、Diffusion Policy等多種行為克隆（BC）算法，運行頻率10Hz，側重長時域規劃。

此外，團隊為機器人設計了2DoF主動頸部+RGBD相機（Intel RealSense D435），通過比例控制器實現“視覺追蹤穩定”，模仿人類操作時的視線調節能力，避免物體遮擋導致的感知失效。

單演示數據生成：從“1次演示”到“千條軌跡”

DemoHLM最關鍵的突破是無需真實數據，僅用1次仿真遙操作演示即可生成海量多樣化訓練數據，核心流程分三步：

• 演示采集：通過Apple Vision Pro捕捉人類動作，映射到仿真中的Unitree G1機器人，記錄1條成功操作軌跡（含關節位姿、末端執行器位姿、物體位姿）；
• 軌跡轉換與分段：將演示軌跡拆解為“移動（Locomotion）、預操作（Pre-manipulation）、操作（Manipulation）”三階段，并且通過坐標系轉換實現泛化——

預操作階段：采用“物體中心坐標系”，確保機器人在不同物體初始位姿下，末端執行器能精準對齊目標；

操作階段：切換為“本體感知坐標系”，解決抓取/搬運時末端與物體相對靜止的軌跡生成難題；

• 批量合成：在仿真中隨機初始化機器人與物體位姿，自動調整各階段指令并replay，生成數百至數千條成功軌跡，形成訓練數據集。

這一過程完全自動化，規避了傳統模仿學習“數據采集地獄”，同時通過隨機化初始條件，天然提升了策略的泛化能力。

實驗驗證：從仿真到真實的穩定表現

團隊在仿真環境（IsaacGym）與真實Unitree G1機器人上，針對10項移動操作任務（如搬箱子、開門、倒水、遞物等）開展全面驗證，核心結果如下：

仿真：數據量與性能正相關，算法兼容性強

• 數據效率顯著：隨著合成數據量從100條增至5000條，所有任務成功率均大幅提升——例如“PushCube”成功率從52.4%升至89.3%，“OpenCabinet”從18.9%升至67.3%，且邊際收益逐漸收斂，證明數據生成 pipeline 的高效性；
• 算法適配靈活：在ACT、MLP、Diffusion Policy三種BC算法上均表現優異，其中ACT與Diffusion Policy性能接近（如“LiftBox”成功率均超96%），而簡單MLP因缺乏時序建模能力性能稍弱，驗證了框架對不同學習算法的兼容性。

Real-World：Sim-to-Real遷移穩定，多任務落地

在改裝后的Unitree G1（加裝3D打印夾爪、2DoF頸部和單目RGBD相機）上，DemoHLM實現零樣本遷移，10項任務中：

• 全成功率任務：LiftBox（搬箱子）、PressCube（按立方體）均實現5/5成功，操作流程與仿真高度一致；
• 高穩定任務：PushCube（推方塊）4/5成功、Handover（遞物）4/5成功，僅因地面摩擦差異導致個別失敗；
• 復雜任務突破：GraspCube（抓方塊）、OpenCabinet（開門）等需精準力控制的任務，成功率超60%，在同類仿真訓練方法中位于前列。

關鍵原因在于：高層策略通過視覺閉環實時調整指令，抵消了仿真與真實的物理差異（如關節跟蹤誤差），確保操作行為的一致性。

行業價值與未來方向

DemoHLM的突破為人形機器人實用化提供了關鍵技術支撐：

• 降低落地成本：單演示+仿真數據生成，將訓練成本從“數百小時真實遙操作”降至“小時級仿真演示”，大幅降低行業應用門檻；
• 提升泛化能力：無需任務特定設計，1套框架適配多場景（家庭搬運、工業輔助、服務交互），加速機器人從“實驗室”到“真實環境”的落地；
• 推動技術融合：分層架構可兼容觸覺傳感器、多相機感知等升級，為未來更復雜場景（如遮擋環境、柔性物體操作）打下基礎。

團隊也指出當前局限：依賴仿真數據可能存在長期的Sim-to-Real偏差，單RGB-D相機在復雜遮擋場景性能受限，且暫不支持未建模物體的操作。未來將探索“仿真+真實數據混合訓練”“多模態感知融合”等方向，進一步提升魯棒性。

總結

DemoHLM以“單仿真演示驅動泛化移動操作”為核心，通過分層控制架構與高效數據生成 pipeline，破解了人形機器人訓練成本高、泛化差、遷移難的三大痛點。

其在Unitree G1上的真實落地驗證，證明了該框架的實用價值，為下一代人形機器人在家庭、工業、服務場景的規模化應用提供了重要技術路徑。

論文連接：https://arxiv.org/pdf/2510.11258
項目主頁：https://beingbeyond.github.io/DemoHLM/