# 动作重定向

TERRA 提出一套端到端流程，仅从无场景的运动学轨迹出发，结合地形先验、估计的接触事件与自由空间证据恢复任务相关支撑几何，并在重定向中加入解剖、肌腱连续性与接触约束，用五个数据集生成的“运动—地形”配对训练出单一肌肉驱动控制策略，在重建、重定向与留出跟踪基准上提升地形精度、大幅减少解剖与交互违规，并在受支持地形族上取得最高完成率。

TERRA 提出一套端到端流程，仅从无场景的运动学轨迹出发，结合地形先验、估计的接触事件与自由空间证据恢复任务相关支撑几何，并在重定向中加入解剖、肌腱连续性与接触约束，用五个数据集生成的“运动—地形”配对训练出单一肌肉驱动控制策略，在重建、重定向与留出跟踪基准上提升地形精度、大幅减少解剖与交互违规，并在受支持地形族上取得最高完成率。

CrossBFM 冻结在 Unitree G1 上预训练的 Behavior Foundation Model 的 backward map，利用重定向数据提供的逐帧跨本体对应关系，用一个无机器人专属参数的统一编码器把该潜空间蒸馏到 Inhouse M3、Booster T1、Fourier N1 三款人形机器人上，编码器训练不到一 GPU 小时、每个跟踪器再加约 10 GPU 小时，三种提示模式（动作跟踪、目标姿态到达、奖励优化）均可迁移，潜条件策略相对关节条件策略仅损失 0.025 弧度，用四分之一动作语料只损失 5% 跟踪性能，在未见过的形态相近机器人上最多恢复 89% 的跟踪性能，并在真机上验证。

CrossBFM 冻结在 Unitree G1 上预训练的 Behavior Foundation Model 的 backward map，利用重定向数据提供的逐帧跨本体对应关系，用一个无机器人专属参数的统一编码器把该潜空间蒸馏到 Inhouse M3、Booster T1、Fourier N1 三款人形机器人上，编码器训练不到一 GPU 小时、每个跟踪器再加约 10 GPU 小时，三种提示模式（动作跟踪、目标姿态到达、奖励优化）均可迁移，潜条件策略相对关节条件策略仅损失 0.025 弧度，用四分之一动作语料只损失 5% 跟踪性能，在未见过的形态相近机器人上最多恢复 89% 的跟踪性能，并在真机上验证。