BifrostUMI：摆脱机器人束缚，让 VR 设备成为人形机器人的高效导师

TL;DR

人形机器人的数据采集一直是个“重资产”难题。北京人工智能研究院（BAAI）的团队最近推出的 BifrostUMI 开启了新思路：无需运行真实的机器人，只需一套 PICO 4 VR 设备和特制的腕部相机采集器，人类就能在家里为人形机器人生产高质量的“教学素材”。通过一套巧妙的关键点重定向算法，这些数据能无缝转化为 Unitree G1 等机器人的全方位协作动作。

痛点深挖：人形机器人数据的“采集围城”

目前训练人形机器人的主流方式是遥操作（Teleoperation）。这种方式就像“提线木偶”：人类穿着外骨骼或操作复杂的控制台，实时驱动机器人。

• 成本极高：每采集一份数据都得占有一台昂贵的机器人。
• 效率极低：机器人的响应延迟、安全限制让演示动作显得僵硬且耗时。
• 难以扩展：你没法让一百个人同时在家里为机器人采集数据。

BifrostUMI 的核心动机是实现 Robot-free（无机器人）采集。人类可以像平常一样自然地移动，随后再通过算法将其“平移”到机器人的身体上。

核心机制：三层分层控制架构

BifrostUMI 之所以能解决“动作走样”的问题，关键在于它没有尝试像素级地模仿每一个关节，而是采用了分层治理：

1. 任务空间的高层策略 (High-level Diffusion)

作者并没有预测复杂的机器人电机指令，而是选择了 5 个核心关键点：骨盆（Pelvis）、双足（Feet）、双手（TCP）。

• 使用 Diffusion Policy 模型，根据腕部相机的 DINOv2 视觉特征，预测这 5 个点在未来的“稀疏轨迹”。
• 这种做法的物理直觉是：只要这几个关键部位的位置对了，任务的核心逻辑也就抓住了。

2. 空间关键点重定向 (Spatial Keypoint Retargeting, SKR)

这是本文的“翻译官”。人类比机器人高、胳膊比机器人长，如果直接复制坐标，机器人可能抓不到桌上的东西。

• 保留度量信息：SKR 不同于传统的全局缩放，它仅仅在垂直方向（Z轴）缩放骨盆到足部的距离，以对齐身高差异，而保持双手与物体之间的绝对物理尺寸。这保证了人类演示时的“抓取距离”在机器人身上依然精准。

图 1：BifrostUMI 整体架构，展示了从人类演示到层次化控制的转化过程

3. 全方位控制器 (WBC)

最后，利用 MuJoCo 求解器（mink）将 5 个关键点坐标转化为机器人全身上下 29 个关节的实时角度指令。

实验战绩：从“桌面取放”到“钻桌底”

为了证明该框架的威力，作者在 Unitree G1 机器人上测试了两个极具代表性的场景：

1. 杂乱桌面取放：机器人在周围布满干扰物的环境下，准确识别面包、抓取并放置到盘子里。这验证了视觉策略的鲁棒性。
2. 桌下垃圾投放：这是一个对“全身协作”要求极高的任务。机器人需要后退、下蹲、侧身弯腰才能把纸团丢进桌底的垃圾桶。实验证明，仅靠 5 个关键点，就能驱动机器人完成如此复杂的姿态调整。

图 2：机器人执行桌下垃圾投放的过程，展示了卓越的下蹲与全身平衡能力

深度洞察：为什么选择关键点而非直接映射？

传统的“端到端”模仿学习往往会将感知与控制耦合在一起。BifrostUMI 的成功在于它引入了显式的逆运动学（IK）接口。

• 解耦优势：高层策略只需要管“任务怎么做”（Task-space），低层控制器只负责“走得稳”（Joint-space）。
• 迁移能力：如果未来换了一台机器人硬件，只要它的形态类似，采集的数据依然有效，只需重新训练低层 WBC 即可。

局限性与展望

尽管 BifrostUMI 表现惊艳，但它目前在处理**极精细的指尖操作（Dexterous Manipulation）**上仍受限于 VR 控制器的精度。未来，如果能引入更先进的触觉手套数据采集，或者将该框架应用到更大规模的长程任务（Long-horizon tasks）中，人形机器人的进化速度将真正迎来爆发。

总结 (Takeaway)：BifrostUMI 告诉我们，人形机器人学习的未来不在于把设备做得多重，而在于如何更高效、更轻量地萃取人类的运动智慧。