内容摘要
全身动作跟踪策略通常只针对一副本体训练，跨身体复用时结构、形态和动力学都不同。《MimicAll：面向跨人形机器人全身动作跟踪的结构化本体条件化》把"执行动作的是哪副身体"写成显式本体描述符（含结构、形态与动力学），编码成全局条件与关节对齐条件，与观测历史、经重定向（映射到该机体关节）后的参考动作一起输入同一策略，输出关节目标偏移；各机器人原生关节绑定到 38 个语义槽位（统一的关节编号位），缺失关节用掩码屏蔽，不同家族因此可共用一套参数。训练侧由物理一致随机化生成 16 个家族的 4,096 个机体变体，参考库留在主机内存、只把活动窗口搬入 GPU。30 秒成功率上，Graph+Concat 在 100STYLE 已见家族三档为 97.1/92.3/91.9%，掩码对照为 93.8/90.0/86.6%；共享策略在 24 个随机化 G1 上把单机体专用策略的 42.9% 提到 99.4%；只换条件输入的配对干预显示，错配身体条件会把 61.7% 降到 47.0%。局限：结果全部来自仿真，未见机器人家族迁移成功率不超过 8.2%，固定预算对比每个配置只训练一次，真机验证被列为后续工作。
点评
对做本体软件和全身控制策略的工程师，最值得借鉴的是把目标机体的结构、形态、动力学写成显式描述符，作为条件与观测一起送进共享策略，从而用一套参数覆盖多副身体；条件化方式可按目标取舍——论文里自注意力取得最低的全局位置误差，而简单拼接就足以改善动作完成率。工程上，参考库留在主机内存、只把活动的时间窗搬到 GPU，使显存占用不再随完整参考库增长，上千机体变体也能共用同一套训练流程。需要清醒认识的是：本文结论全部来自仿真，换到未见机器人家族会明显失效，真机与安全验证要自行补齐。
全部实验为仿真，未做真机验证；跨到未见机器人家族时迁移明显不足（LAFAN1 30 秒成功率不超过 8.2%，同场景整体描述符重建 R² 降至 0.377/0.344）；固定预算的主对比每个配置只训练一次（seed 42），配对干预的 95% 区间是按机体聚类给出的；本报告不做跨协议排名，也不把外部方法的成绩与本文方法直接并列比较。原文取自 arXiv 的 HTML 快照，图中曲线数值未在正文文本中给出。
版本与核查范围
版本 2610.33508v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 #abstract1.1；#S3.SS1.p1.1；#S4.SS3.p1.1；#S4.SS1.p3.1；#S5.SS1.p1.1；#S6.SS1.SSS0.Px1.p1.1；#S6.SS1.SSS0.Px2.p1.1；#S6.SS1.SSS0.Px3.p1.1；#S6.SS2.SSS0.Px5.p1.1；#S6.SS3.SSS0.Px1.p1.1；#S7.p3.1；#A1.SS2.p1.1