[CVPR/CoRL 2025] LE SSMIM IC：基于统一距离场表示的人形机器人长程交互突破

TL;DR

传统的机器人交互往往依赖于“照葫芦画瓢”的参考运动（Reference Motion），一旦物体变大或形状稍改，机器人就会“不知所措”。本文提出的 LE SSMIM IC 彻底抛弃了运动参考，通过引入**距离场（Distance Field, DF）**作为核心感知表征，让人形机器人学会了基于几何关系的“物理直觉”。实验证明，单一策略不仅能搬动不同形状的箱子，还能流畅衔接推、举、搬、坐等 40 个连续动作。

背景定位：从“动作追踪”到“几何推理”

在人形机器人领域，实现自然且鲁棒的交互一直是个难题。

• 基于参考的方法（Reference-based）：过于依赖 MoCap 数据，物体一变动作就作废。
• 无参考方法（Reference-free）：虽然灵活，但往往针对单一任务通过 Reward Engineering 强行训练，缺乏通用性。

LE SSMIM IC 的核心洞察在于：交互的本质是机器人末端与物体表面的局部几何关系。 无论杯子多大，抓取瞬间手掌与表面的距离和法向量分量是相似的。

核心方法：距离场（Distance Field）驱动的交互

1. 统一的几何表示

作者抛弃了点云或体素（Voxel）等离散且计算昂贵的表示，转而使用 距离场 (DF)。DF 为空间中每一点分配到最近表面的距离 $\Phi (x)$ 及其梯度 $abla\Phi (x)$。

更精妙的是，作者将机器人各部位的速度 $v_t$ 分解为：

• 法向速度 ($v_t^{norm}$)：代表接近物体的强度或施加压力。
• 切向速度 ($v_t^{tan}$)：代表沿表面的滑动或移动。

这种分解捕捉到了交互的动态本质，且对物体的全局位姿和尺度具有不变性（Invariance）。

图 1：LE SSMIM IC 训练流水线：从 DF 提取特征，经过 VAE 编码，再到基于 AIP 的 RL 微调。

2. 对抗交互先验 (AIP)

为了让机器人在随机生成的几何体上表现稳定，作者提出了 AIP (Adversarial Interaction Priors)。这类似于给机器人一个“审美鉴赏器”：判别器学习什么是“正确的交互几何特征”（例如手部保持在物体表面的特定距离分布），并以此引导强化学习，从而摆脱了对特定运动轨迹的依赖。

实验战绩：极致的泛化与长程执行

1. 尺度与形状泛化

在测试中，即使物体尺度从原始大小缩小到 0.4 倍或放大到 1.6 倍，LE SSMIM IC 依然能保持极高的成功率。相比之下，传统的 ResMimic 等方法在尺度偏离 1.0 时性能会迅速跌落至零。

表 1：LE SSMIM IC 在不同任务和尺度下的成功率，显著优于基线方法。

2. 惊人的长程技能组合

最令人印象深刻的是其长程组合能力。在没有环境重置的情况下，单一策略可以指挥机器人执行“推柜子 -> 走位 -> 捡箱子 -> 搬运 -> 坐下休息”的复杂序列。这种能力并非来自显式的状态机切换，而是源于统一 DF 隐空间下的自然转换。

图 2：真实世界部署中，机器人连续执行推、捡、搬运任务，展现了隐式的技能切换。

深度洞察：为什么这很重要？

LE SSMIM IC 提供了一个关键启示：对于人形机器人这种高冗余系统，显式的轨迹规划不如局部的几何场约束。 通过 DAgger 蒸馏后，该系统可以摆脱 MoCap 系统，仅凭胸前的深度相机即可完成任务，这为机器人走进非结构化的家庭环境打下了基础。

局限性探讨：目前 DF 的构建仍依赖于物体模型的已知性（在蒸馏阶段虽然用了深度图，但教师仍需特权信息）。未来如果能结合实时生成的神经辐射场（NeRF）或高斯泼溅（GS）来动态获取 DF，其潜力将进一步释放。

总结

LE SSMIM IC 成功地将“距离场”这一经典几何概念引入现代人形机器人控制流水线，通过对抗学习机制实现了跨形状、跨维度的鲁棒交互。它证明了：只要表征选得对，人形机器人也能拥有超越人类预设脚本的灵活适应力。