HOVER解读：机器人底层控制的一把“瑞士军刀”

原班人马再度出手，用单一模型统一所有底层控制任务，把“画的饼”给实现了。

前言

上回咱们聊完何泰然那套开山之作(传送门)，我还吐槽说OmniH2O那个“Omni”（全能）的前缀，有点画饼的意思。结果没过多久，原班人马就带着HOVER杀回来了。
这感觉，就像是来兑现当初吹过的牛。

（现在跟英伟达GEAR团队合作，连项目主页都炫酷了几个level）

今天，咱们就来深扒一下HOVER，看看它到底是如何进化的。

---

一、HOVER的核心哲学：别再切换模型了！给我一把“瑞士军刀”！

先聊聊这帮大佬想解决的痛点：控制器不统一。

在HOVER之前，我们是怎么让机器人干不同活的？答案通常是：“状态机 + 模型切换”。

• 想让机器人走路？加载一个吃 root_velocity 的 locomotion_policy.onnx。
• 想让它挥手操作？停下来，切换到 manipulation_policy.onnx。

这套逻辑，简单直接，但笨重得像上个世纪的软件。每种任务对应一个“专才”模型，机器人大脑里跟装了好几个虚拟机一样，用哪个就启动哪个。不仅资源占用高，而且模型间的切换往往会产生不连贯的“卡顿”，体验极差。

HOVER上来就掀了这张桌子。它的核心思想极其暴力：

只用一个模型，解决所有底层控制任务。

什么叫底层控制任务？简单说，就是人形机器人所有运动的“原子操作”。HOVER把它归纳为三大类：

1. 运动学位置跟踪 (Kinematic Position Tracking)：给个世界坐标，让手、脚、头移动到那里去。
2. 局部关节角度跟踪 (Local Joint Angle Tracking)：直接控制每个电机转多少度。
3. 根部状态跟踪 (Root Tracking)：控制躯干的移动速度、转向和高度。

HOVER的目标，就是让这一个神经网络，既能听懂“往前走，速度0.5m/s”，又能理解“左手移动到(x,y,z)”，甚至能同时执行“下半身按指定速度巡航，上半身模仿我做一套广播体操”。

这就是“瑞士军刀”HOVER，用一个“通才”模型，兼容多种控制模式。

---

二、随机掩码如何“倒逼”出全能选手？

HOVER的训练框架，基本就是OmniH2O那套成熟的“教师-学生”蒸馏范式，底子稳得一批。这里就不再赘述了，不熟悉的同学可以回头看我开头说的上一篇文章。作者在论文里也大方承认，很多设计都是follow前作，一脉相承的。

开始我就在想：一个神经网络，输入维度固定，怎么处理类型和数量都不同的指令？

第一步：构建一个“超集”指令空间

HOVER定义了一个大而全的指令向量 state_cmd，把前面说的三类原子操作全都塞了进去。大概长这样：

state_cmd = [
  # --- Part 1: Kinematic Position Tracking ---
  target_head_pos(x,y,z), target_l_hand_pos(x,y,z), ..., target_r_ankle_pos(x,y,z),

  # --- Part 2: Local Joint Angle Tracking ---
  target_joint_0_angle(rad), target_joint_1_angle(rad), ..., target_joint_18_angle(rad),

  # --- Part 3: Root State Tracking ---
  target_base_vel(vx, vy), target_base_yaw_rate(rad/s), target_base_height(m), ...
]

这个向量的维度是固定的。无论你用哪种控制模式，传给网络的都是这个“全家桶”。

这部分源码长这样，非常优雅：

observations = torch.cat(
        [
            kinematic_command,
            joint_command,
            root_command,
            mask,
        ],
        dim=1,
    )

第二步：引入“双层掩码”机制

这才是点睛之笔，在训练的每一步，系统都会随机生成一个热独编码的二进制Mask向量，维度和 state_cmd 一样。用这个Mask去处理教师给出的完整指令，再喂给学生。

核心公式大概为：
student_goal = SparsityMask ⊙ (ModeMask ⊙ g-upper, ModeMask ⊙ g-lower)

论文里把Mask分成了两层：

• 模式掩码 (Mode Mask)：在“位置跟踪”、“角度跟踪”、“根部跟踪”这三大类模式中选择一个或多个激活。比如，这次只练“根部跟踪”。
• 稀疏掩码 (Sparsity Mask)：在选定的模式内部，再随机选择具体跟踪哪个部位。比如，在“位置跟踪”模式下，这次可能只激活左手和右脚的跟踪指令。

Mask里的 1 代表“这部分指令可见”，0 则代表“这部分指令抹掉，你自己看着办”。

---

三、怎么训练？“填空题”大师的诞生！

训练过程就非常有意思了。

教师（Oracle Policy）是个全知全能的神，它能看到完整的“指令全家桶”。但它教给学生的方式，不是把标准答案直接塞过去，而是玩起了“完形填空”。

在每一轮训练（episode）开始时，系统会随机生成模式掩码和稀疏掩码。这意味着，学生策略在这一轮可能只收到了“左手位置”和“前进速度”这两个指令，其他所有目标都被掩码置零，对它来说是不可见的。

这就像什么呢？一个驾校教练在教你开车。

这位教练能看到仪表盘上所有的信息：时速、转速、油量等等，但他不会让你一直盯着看。他会随机地把速度表给你遮住，让你凭感觉和窗外参照物来判断车速；或者把转速表遮住，让你用耳朵听引擎声来换挡。

通过这种“信息残缺”的极限拉扯，学生策略被迫学会了在任何“指令组合”下都能做出最优的全身协调动作。它不再依赖于某一种特定的指令，而是真正理解了运动的本质。最终，它成了一个能应对各种“填空题”的大师。

这套机制其实有点像RL学步态那个味道了，机器人只知道一个速度跟踪，但却需要自己探索出完整的步态动作，在HOVER就是机器人只知道一部分跟踪信息，要在保证姿态良好的情况下，模仿出整个教师的动作。

最终得到的模型强大之处在于：你可以任意组合控制模式！

• 想只控制上半身？屏蔽下半身指令，让机器人自主维持平衡。
• 想边走路边挥手？同时发送速度指令和手部轨迹指令。
• 想精确控制步态？激活下半身关节角跟踪模式。

---

四、通才 vs 专才：一个意外又情理之中的发现

最让我觉得有点反直觉的是实验结果。按理说，一个为特定任务训练的专才模型，在它的主场应该表现最好。但HOVER这个“通才”模型，在切换到特定模式（比如只做OmniH2O的动作跟踪）时，其性能指标居然比专门训练的OmniH2O专才模型还要好！

但细想又在情理之中。

专才模型，比如一个纯粹的步态控制器，它的眼里只有“走路”这一件事。它的学习过程可能会过拟合到与走路强相关的特征上，对于一些更普适的物理规律（比如意外扰动下的平衡恢复）可能学得不够好。

而HOVER这个“通才”，在训练中见识了太多妖魔鬼怪的指令组合，饱受算法工程师的毒打，被迫学习了如何在各种极端、不协调的任务要求下，依然维持身体的稳定和运动的流畅。这种从海量多样化任务中提炼出的“通用运动基础”，反而让它在执行任何单一任务时都显得游刃有余，鲁棒性更强。

---

五、总结一下

聊到这里，HOVER的影响力已经超越了一篇学术论文。它实际上是在探索人形机器人的生态问题。

一个强大的、统一的、接口灵活的底层控制器，就像是机器人的Linux内核。上层的应用开发者（比如做遥操作的、做自主导航的、做人机交互的）再也无需关心底层的动力学细节，他们只需要根据自己的需求，组合模式掩码和稀疏掩码，调用标准接口，就能让机器人动起来。

这无疑会极大地降低开发门槛，促进应用生态。难怪英伟达的Isaac Lab直接把HOVER作为模仿学习的标杆案例。这影响力，已经超越了学术圈的范畴。

---

最后再聊点代码上的发现吧

先看官方Demo的配置：

# "omnih2o": 
# {"upper_body": [".*hand.*link.*", ".*head.*link.*"]},  # 注意：没有包含速度和下半身跟踪！
distill_mask_sparsity_randomization_enabled = False     # 关闭稀疏随机化！
distill_mask_modes = {"omnih2o": DISTILL_MASK_MODES_ALL["omnih2o"]}

等一下…这操作意味着什么？

关闭稀疏掩码随机化，并且只固定一种模式（比如OmniH2O模式，它只包含手和头的跟踪，没有任何根速度或关节角度指令），所有其他的指令项在训练中将永远被mask为0，虽然最后跑下来效果ok，但这…这不就等于把HOVER又退化成一个纯纯的OmniH2O了吗？

再看README也是建议关闭稀疏掩码随机化（说“开启后动作会怪异”）。

理论中的情况应该是这样：

distill_mask_sparsity_randomization_enabled = True
distill_mask_modes = DISTILL_MASK_MODES_ALL

所以这是为了保证Demo的稳定性而做的简化？还是说，在实际工程中，完全的随机化训练仍然存在一些尚未解决的挑战？这里面的坑，恐怕还得我们自己在实践中慢慢踩了。

虽然代码实现上似乎留了一些待解的谜题，但代码的完整性、可读性比前作可强太多了（泪目），真的让你一键跑起来，而且不难切换到自己的模型上。

---