内容摘要
人形机器人接住飞来的箱子，需要同时协调全身动作、预测物体运动，并处理第一视角下的相机运动与遮挡。作者以接箱为任务提出Reflex，探索从机载RGB-D观测到全身反应控制的学习方法。
方法采用三阶段训练与动力学潜表示：先用强化学习和人体运动先验学习基于状态的接箱控制，再从延迟、不完整的箱体观测学习动力学表示，最后用第一视角RGB-D历史及相机自运动预测该表示，保持全身控制器固定，使视觉学习与控制训练分离。
作者报告，仿真视觉接箱成功率为85.7%，同一解码器接收特权潜表示时为87.9%。视觉消融中，去掉时间历史，正中与横向偏移0.6米投掷的成功率分别下降35.6和39.8个百分点。真实宇树G1在2.5米、5米接住人抛箱子的成功率为65%和40%。仿真接箱判据要求胸前支撑、双腕分居箱体两侧且低速保持0.6秒，不只是碰到箱子；真机每种条件仅20次试验，95% Wilson区间幅度可达约±20个百分点，结果不宜外推为通用反应能力。
点评
这项作者研究展示了通过共享动力学潜表示、冻结控制器来学习视觉接箱的路径，价值在于解耦视觉学习与全身控制，而非证明通用人形技能。
证据为作者论文实验，不作独立复现结论。任务限于人抛箱子；长距离视觉感知仍是主要瓶颈，扩充远距离视觉训练后的改进仅在仿真验证，尚未真机测试。
版本与核查范围
版本 2610.12772v1 · 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 page:1；page:2；page:7；page:9；page:2；page:3；page:7；page:11；page:11；page:11；page:11