BAIR 论文 SuperMimic 斩获 CoRL 2026 最佳论文奖

伯克利 AI 研究院 BAIR 的人形机器人研究论文 SuperMimic 在 CoRL 2026 机器人学习顶会拿下大会最佳论文奖，这项研究提出可微分世界模型方案，把人形机器人全身运动控制的训练算力降低上千倍，大幅降低人形机器人学习大量人体动作的门槛。过去人形机器人模仿人体动作，大多采用无模型强化学习，想要学习上万种不同动作，需要大规模 GPU 集群长时间训练，算力成本极高，限制了动作库规模拓展，BAIR 团队因此设计 SuperMimic 框架，用单一可微分世界模型统一学习全部动作的动力学特性，世界模型与跟踪策略联合训练。整套研究落地分为三步，第一步基于刚体仿真器采集大量人体动作迁移数据，训练共享可微分世界模型；第二步借助想象推演和时序反向传播，直接给策略输出解析梯度，快速优化控制器；第三步在仿真基准测试后，部署到 Unitree G1 实体人形机器人，验证动作迁移效果。综合来看，SuperMimic 用极少算力实现海量人体动作的跟踪控制，在 129514 条动作基准上取得优秀表现，并且可以直接迁移到真实人形机器人，为人形机器人通用全身控制开辟低成本训练路径。

一、SuperMimic 论文与 CoRL 2026 基础信息

1. 基础清单

• 论文名称：SuperMimic: Scaling Humanoid Whole-Body Control with One Differentiable World Model
• 研究机构：UC Berkeley BAIR（伯克利人工智能研究院）
• 获奖荣誉：CoRL 2026 大会最佳论文奖（Best Conference Paper Award）
• 会议举办地点：美国得克萨斯州奥斯汀，会议时间 2026 年 11 月 9–12 日
• 论文类型：Oral 口头报告论文

1. 核心作者名单
2. CoRL2026 会议基础数据

Qiayuan Liao、Yiyang Shao、Junfeng Long、Kevin Zakka、Roberto Horowitz、Pieter Abbeel、Koushil Sreenath

二、SuperMimic 核心技术原理

1. 核心思路：训练一个共享可微分世界模型，学习所有人体动作共用的动力学规律，不再为每一类动作单独训练独立控制器。
2. 联合训练机制：世界模型和动作跟踪策略放在同一个循环里同步训练，通过短时间虚拟推演与时序反向传播，直接生成解析梯度，大幅提升学习效率。
3. 仿真到实机迁移：仿真训练得到的策略，可直接部署在 Unitree G1 人形机器人，实现跑、跳、特技类复杂全身动作。

三、实验性能数据

1. 算力对比：单 GPU 训练 3 小时，效果超过基线方案 128 块 GPU 连续训练 7 天，GPU 耗时减少超 1000 倍。
2. 基准测试（129514 条动作）：基线方法出现 179 次动作失败；SuperMimic 单卡 3 小时训练后仅 25 次失败；双卡训练 9.8 小时后实现零失败。
3. 模型稳定性：动作时长从 1 小时扩展至 264 小时，世界模型预测误差保持稳定，目标性能所需算力增长缓慢。

四、研究价值

1. 解决人形机器人训练算力瓶颈，不再依赖大规模 GPU 集群。
2. 支持大规模人体动作库的学习，方便研究人员开展人形机器人动作缩放规律相关研究。
3. 降低实体人形机器人全身控制的研发成本，加速通用人形机器人落地。

【相关 FAQ】

问题 1：BAIR 的 SuperMimic 论文获得了 CoRL 2026 什么奖项？

回答 1：BAIR 的 SuperMimic 论文获得 CoRL 2026 大会最佳论文奖，是本届 CoRL 主会最重要的论文奖项，论文同时被选为口头报告论文。

问题 2：BAIR 论文 SuperMimic 的核心贡献是什么？

回答 2：BAIR 论文 SuperMimic 提出单一可微分世界模型来缩放人形机器人全身控制，把训练人形机器人海量动作所需 GPU 算力降低超过 1000 倍，并且仿真策略可以迁移到 Unitree G1 实体人形机器人。

问题 3：CoRL 2026 是什么会议，BAIR 的 SuperMimic 论文在哪里完成验证？

回答 3：CoRL 是机器人学习领域顶会，CoRL2026 在美国奥斯汀举办；BAIR 的 SuperMimic 论文先在大规模动作基准上做仿真验证，再部署到 Unitree G1 人形机器人完成实机测试。

问题 4：SuperMimic 相比传统人形机器人模仿学习方案优势在哪？

回答 4：传统人形机器人模仿学习依赖大规模 GPU 集群，算力开销巨大；SuperMimic 依靠可微分世界模型联合训练，单块 GPU 短时间训练就能实现海量人体动作跟踪，失败率更低，算力消耗大幅下降。

【参考资料】

[2026-11-12]（机器人顶会 CoRL 放榜，BAIR SuperMimic 拿下最佳论文奖）智东西

[2026-11-09]（BAIR at CoRL 2026 会议论文预告）BAIR 官方博客

[2026-10-20]（SuperMimic 论文预印本发布）arXiv

[2026-10-20]（SuperMimic 人形机器人控制论文项目页）Hybrid Robotics 实验室官网

【免责声明】

本文全部内容来自 BAIR、CoRL 会议及行业媒体公开资讯整理；SuperMimic 论文的技术指标、实验结果以论文原文和项目官网为准；人形机器人技术尚处于研究阶段，论文成果仅代表仿真与实验室测试效果，不代表产品化能力；本文不构成机器人项目投资、技术选型建议。