GAMES Webinar 2026 – 408期(通用与生成式人形运动控制) | 罗正宜（英伟达），母宇轩（西蒙菲莎大学）
GAMES Webinar 2026 – 408期(通用与生成式人形运动控制)
报告嘉宾：罗正宜 英伟达
报告时间：2026年07月02号 早上10:00-10:30（北京时间）
报告题目：
从PHC到SONIC，从动画到人形机器人
报告摘要：
SONIC 则进一步将运动追踪视为可规模化的人形控制基础任务，通过扩大模型容量、数据规模和训练算力，学习一个能够生成自然、稳健全身动作的通用人形控制器。公开论文显示，SONIC 将控制模型从 1.2M 扩展到 42M 参数，使用超过 100M 帧、约 700 小时高质量运动数据进行训练，并支持 VR 遥操作、VLA 模型等多种输入接口。 同时，SONIC 接入 MotionBricks 作为上层 kinematic planner，将高层意图实时转化为可控、可组合的运动参考，再由 SONIC 完成稳健的全身物理控制。
报告嘉宾：母宇轩 西蒙菲莎大学
报告时间：2026年07月02号 早上10:30-11:00（北京时间）
报告题目：
报告摘要：
模拟角色动画中的一个核心问题是：如何定义和评估运动自然性，并将其转化为可优化的奖励信号。传统手工指标难以完整刻画自然运动，而对抗式模仿学习方法通常又会将自然性信号绑定到特定的策略、任务和数据集。为此，我将介绍 Score-Matching Motion Priors（SMP），一种将预训练运动扩散模型转化为可复用、模块化奖励模型的方法。在运动数据上训练得到的扩散模型隐式地定义了数据流形，而其学习到的分数估计器可以提供一种稳健的度量，用于衡量样本偏离该流形的程度。SMP 只需在参考动画数据上训练一次，之后即可冻结使用；在策略训练阶段，它无需重新访问专家数据。实验表明，SMP 可以从非结构化运动数据中学习先验，并复用于多种控制任务；它还可以通过组合与重塑生成训练数据之外的新风格，扩展到人与物体及人与场景交互，并支持从极少量运动数据中学习技能，引导智能体发展出专家数据中不存在的新能力。最后，我将讨论这一方法对运动自然性建模、奖励设计，以及预训练生成模型在模拟动画中未来作用的启示。
讲者简介：
讲者主页：https://yxmu.foo/
主持人简介：
