SuperMimic

general · 首次出现 2026-11-09 · 最近出现 2026-11-12 · 累计提及 4

综述

SuperMimic 是 UC Berkeley 团队提出的机器人全身动作训练框架,其核心思路是通过可微世界模型(differentiable world model)让机器人模仿并学会复杂的全身运动技能。在机器人学习会议 CoRL 2026 上,该工作获得最佳会议论文奖,成为当前人形机器人运动控制方向最受关注的研究之一。

SuperMimic 的近期进展

  • UC Berkeley 团队论文 SuperMimic 获 CORL 2026 最佳会议论文奖:Berkeley AI Research 官方宣布,SuperMimic 在 CoRL 2026 上获得最佳会议论文奖。CoRL 是机器人学习领域最顶级的会议之一,最佳论文奖意味着该方法在同行评审中获得了高度认可。
  • SuperMimic:用可微世界模型训练宇树 G1 全身动作:该方法在宇树 G1 人形机器人上完成了全身动作的训练与部署。相比常见的强化学习模仿流程,SuperMimic 引入可微世界模型来优化动作序列,使得从人体动捕数据到人形机器人动作的迁移更稳定,能处理跳跃、转身等高动态全身技能。
  • BAIR at CoRL 2026:BAIR 在 2026 年 11 月 9 日发布的会议总结中,将 SuperMimic 列为实验室在 CoRL 2026 的代表性成果之一,反映了 Berkeley 在人形机器人学习方向的持续投入。
  • 当前焦点与观察点

    目前围绕 SuperMimic 的讨论主要集中在三点:其一,可微世界模型与传统强化学习(如 PPO 类方法)在全身控制任务上的效率与稳定性对比,可微路径能否显著降低仿真调参成本仍需更多复现验证;其二,方法对硬件的依赖程度,实验基于宇树 G1,能否泛化到其他本体是社区关心的问题;其三,从动捕数据到真实机器人部署的 sim-to-real 鸿沟,SuperMimic 展示了不错的初步结果,但在扰动、跌倒恢复等边界场景下的鲁棒性尚待观察。

    整体来看,SuperMimic 代表了“基于人类动作数据 + 可微优化”这一路线在人形机器人上的阶段性突破。随着宇树等本体平台普及、动捕数据获取成本下降,这类模仿式全身控制方法大概率会成为下一个阶段的研究热点,值得持续跟踪其开源进展与后续论文。

    相关报道

    3 条在档