Humanoid-GPT：通過數據與結構擴展實現零樣本運動追蹤

根據 HuggingFace 上發布的研究論文，研究團隊提出 Humanoid-GPT，這是一個基於 GPT 風格的 Transformer 模型，專為全身運動控制設計。該模型在一個包含 20 億幀的大型運動數據庫上進行預訓練，整合了所有主要的動捕數據集以及大規模的內部錄製數據。與以往受限於數據稀缺和敏捷性-泛化權衡的淺層 MLP 追蹤器不同，Humanoid-GPT 通過同時擴展數據規模和模型容量，實現了單一的生成式 Transformer 架構。這使得模型能夠高效追蹤高度動態的行為，並在零樣本情況下展現出前所未有的泛化能力，應用於未見過的運動和控制任務。大量的實驗和擴展分析表明，Humanoid-GPT 建立了新的性能前沿，在追蹤複雜運動的同時，證明了穩健的零樣本泛化效果。