CrossBFM：跨人形机器人形态的共享潜在行为空间蒸馏

基于摘要分析。CrossBFM 研究不同行为基础模型（BFM）的人形机器人如何共享潜在行为空间，以避免每种机器人都重新进行昂贵的无监督强化学习。其核心贡献是通过动作重定向建立跨机器人、同一时间轴上的动作对应，将潜在空间迁移转化为监督回归，并训练机器人形态专属编码器与潜变量条件控制器。 机制上，动作片段被重定向到各机器人后，编码器学习为新形态恢复可用的 backward map；latent-only tracker 以 [z | proprio]，即潜变量与本体感觉信息作为观测，实现潜变量条件下的全身控制。作者还利用编码器对 backward map 的近似，在目标机器人侧的缓存帧上执行 Forward–Backward（FB）模型的闭式奖励投影，并通过两侧特征边缘分布传递阈值。其创新重点是迁移潜在行为表示，而非直接复制不同形态之间的控制策略。 作者报告，在三种形态不同的人形机器人上，蒸馏潜变量控制的跟踪表现与关节条件化上界的差距在 0.025 rad 以内，且未发生跌倒；使用四分之一语料时性能仅下降 5%；并完成 41 项任务奖励，覆盖 BFM-Zero 的三种提示模式，无需无监督强化学习。作者还报告，新形态的 backward map 可在单张 GPU 上用不到一小时恢复。上述跟踪指标的具体定义、性能下降的度量、硬件型号、数据划分、训练成本边界及统计信息尚未验证，不能将编码器恢复成本直接理解为完整系统的训练成本。 该研究的主要对象是人形机器人控制，并非神经信号解码。其迁移机制依赖可重定向、时间对齐的跨形态动作数据；摘要未提供 EEG/BCI 中对应数据结构的证据，因此不提出具体迁移实验。已有 EEG 相关工作尚未检索确认。复现需核对动作语料、重定向流程、源 BFM、奖励与提示协议，以及代码和模型的实际开放情况。