OMG多模态人形机器人运动生成框架：一句话、一段音乐即可操纵机器人完成全身动作

现阶段大多数人形机器人的运动控制还局限于 “有参考才能动” 的被动跟踪模式。

机器人只能机械重复提前录入的动作轨迹，无法自主生成全新的动作，很难适配日常灵活的人机交互场景。

针对这一行业痛点，清华大学 MARS 实验室推出 OMG 全模态人形运动生成框架，创新打造 “生成大脑 + 跟踪小脑” 的分层控制方案。

团队搭建千小时级专属多模态机器人数据集，依托扩散模型构建通用运动生成网络，让机器人可实时响应文本、音频、人体动作及组合指令，自主生成稳定可执行的全身运动轨迹。

实测结果显示，OMG 不仅多项性能指标领跑主流模型，还具备大模型专属的规模缩放、小样本泛化、零样本模态组合能力，为人形机器人通用智能控制落地提供了全套开源方案。

• 论文地址：https://arxiv.org/abs/2606.10340
• 项目主页：https://tsinghua-mars-lab.github.io/OMG/
• 开源代码：https://github.com/Tsinghua-MARS-Lab/OMG
• 作者单位：清华大学 MARS 实验室

一、行业痛点：人形机器人缺少自主交互能力

目前主流人形机器人的运动跟踪技术，高度依赖外部预设的参考动作，不能理解人类多样化的交互意图，无法根据文字、音乐、人体姿态自主创作新动作，只能被动执行既定程序，彻底限制了人形机器人的智能化与通用性，难以适配生活化、开放式的交互场景。

为破解这一行业难题，研究团队量身打造 OMG 全模态运动生成体系。整套方案依托两大核心模块，千小时级多模态机器人数据集 OMG-Data 提供高质量训练素材，自研 OMG-DiT 生成网络负责多模态动作创作，搭配成熟的 HoloMotion 全身跟踪器，形成从意图理解、动作生成到落地执行的完整闭环，真正实现人形机器人的多模态智能自主控制。

二、OMG-Data：千小时级可执行多模态动作数据

高质量、符合物理约束的标准化动作数据，是支撑人形机器人通用能力的核心底座。现阶段人类公开动作数据来源杂乱、骨架规范不统一，绝大多数人体动作无法直接迁移至实体机器人，存在严重的落地断层。

为此，研究团队搭建了一套完整、标准化的数据清洗流水线。研究团队首先整合 AMASS、LAFAN、舞蹈、语音手势配对等海量公开动作素材，剔除损坏帧、异常关节角度、时序错位等无效样本。随后通过通用动作重定向技术 GMR，将 SMPL 人体模型、视频重建人体、FBX 动画等异构动作数据，统一映射至宇树 G1 机器人专属动作空间。针对无文本标注的动作片段，研究团队在 MuJoCo 仿真环境渲染多视角动作画面，利用 VLM 完成细粒度时序语义标注，并根据文本边界、音乐乐句与滑动窗口完成长序列切分，适配模型短时预测的训练方式。

为保证数据的物理可行性，所有候选动作均进入仿真环境完成完整轨迹推演，由跟踪器实时执行并校验机身高度、倾斜角度、连续跌倒帧数、关节极限等关键指标，筛除违背动力学规则、跟踪失效的样本。最终构建的 OMG-Data 数据集总时长达 1174.66 小时，包含 1166.6 小时文本标注动作、958.77 小时人体参考动作、191.6 小时音频配对动作。所有数据无需二次修正，可直接用于实体机器人训练，补齐了人形运动生成领域 “数据规模不足、机器人可执行性差” 的两大核心短板。

三、OMG-DiT：可拓展轻量化 DiT 运动生成主干网络

OMG-DiT 是整套框架的核心创新，采用「共享主干网络 + 轻量化模态适配器」的解耦设计。模型将通用人形运动先验与多模态条件输入相互分离，无需对主干网络重新预训练，仅通过新增少量适配模块即可快速接入全新控制模态，极大降低了通用人形机器人的拓展与迭代成本。

整套系统采用生成 - 跟踪分层架构，分工清晰且高效协同。上层 OMG-DiT 作为运动生成大脑，基于历史运动状态、文本、音频、人体参考动作等条件，实时预测未来 60 帧宇树 G1 的全身参考轨迹；底层 HoloMotion 跟踪器负责将生成的轨迹转化为关节控制指令，完成机身平衡维持、抗扰与跟踪等物理执行任务。

模型直接在宇树 G1 原生 125 维机器人动作空间完成训练与生成，无需额外的人体 - 机器人转换编码器。网络主体基于 DiT 构建去噪主干，结合 RoPE 旋转位置编码与时序自注意力机制，精准建模全身运动的时序关联。训练阶段通过随机模态丢弃策略，配合推理阶段的无分类器引导，实现单模态与多模态组合指令的灵活切换。

针对三类核心原生控制模态，团队设计了差异化的特征注入方案。文本指令通过冻结 T5-Base 编码器提取语义特征，以全局上下文 Token 的形式，经交叉注意力机制逐层注入 DiT 网络；音频、人体参考动作属于帧对齐类信号，经 MLP 特征映射后，通过 FiLM 调制模块逐帧优化运动特征，分别实现音乐节奏精准匹配、人体姿态高效复刻的能力。

该框架具备极强的模态拓展能力，以 Pico VR 关键点遥操作等全新交互场景为例，仅需配置零初始化 FiLM 适配器即可完成接入，主干预训练权重完全保留，依托少量样本微调即可适配全新任务，不会破坏模型已习得的通用运动先验。在推理阶段，用户可自定义多模态引导参数，灵活调节文本语义、音频节奏、人体姿态的权重配比，实现训练数据中从未出现的多指令协同运动生成。

四、实验全方位验证：极致生成性能与通用基础模型能力

研究团队从横向性能对比、下游小样本迁移、基础模型特性验证三个维度，开展了全面、系统的实验评测。所有模型输出轨迹均在仿真环境中由真实跟踪器执行校验，同步统计运动生成质量、机器人跟踪稳定性、跌倒率等多维指标，全方位验证 OMG 框架的综合性能与泛化优势。

在多模态生成对比实验中，OMG 在各类任务中均取得最优表现。文本驱动任务中，OMG-XL 模型 FID 低至 6.03，R-Precision@1 达 65.43%，机器人跌倒率仅 0.78%，语义匹配精度与物理稳定性显著优于 GENMO、HYMotion、Kimodo 等主流模型；

音频驱动舞蹈任务中，模型音频匹配 FID_k 为 40.46，全程无跌倒失效，可精准跟随古典、流行等不同风格音乐生成流畅全身动作；

人体姿态重定向任务上，模型 MPJPE 误差仅 18.84，相较 GMR、NMR、OmniRetarget 等传统方案，能够在复刻人体细节姿态的同时，输出高度稳定、机器人可精准跟踪的运动轨迹。

下游微调实验充分验证了模型优异的迁移能力。在全新数据集适配任务中，仅使用 1% 的 AMASS-CMU 数据微调预训练模型，即可媲美全量数据从零训练的效果；在 Pico 关键点遥操作全新模态任务中，基于预训练权重初始化的模型，性能大幅优于随机初始化模型，充分证明主干网络沉淀的通用运动先验，具备极强的跨场景、跨模态泛化能力。

同时，论文验证了该模型具备典型的基础模型特质。其一为模型规模缩放特性（model scaling behavior），在数据与评估条件固定的前提下，模型参数量越大，运动生成综合性能稳步提升，证明人形动作生成可通过模型扩容持续迭代优化。

其二为零样本模态组合能力，模型可在推理阶段融合文本、音频等未见组合指令，兼顾语义逻辑与音乐节奏，生成差异化复合动作。此外，模型支持实时模态动态切换，在连续交互过程中平滑适配不同控制信号，完全满足人机实时交互的应用需求。

作者介绍

清华大学黄思乔、李坤应、乔东铭、贺贯齐为本文共同第一作者；清华大学赵行教授为本文通讯作者。研究团队长期聚焦人形机器人多模态运动生成、大规模动作数据集构建、仿真到现实迁移等前沿方向，持续产出人形机器人方向的系统性研究成果。

文章来自于"机器之心"，作者 "黄思乔、李坤应、乔东铭、贺贯齐"。