InterTrack 把人形机器人的全身控制从「模仿一套固定动作」推进到「理解地形后自行决定全身怎么动」：在地形交互类任务上它取得 81.3% 的成功率，是当前表现最好的已评估基线的 4.3 倍，跌倒后的恢复成功率达到 99.3%。论文同时宣称给出了人形机器人上首次实时跨地形全身遥操作演示。差别不在跑通了多少个动作，而在学习对象从「关节轨迹」变成了「带环境条件的动力学」。
两条老路各自的短板
人形机器人的运动控制长期存在一条分裂。第一条是通用动作跟踪（whole-body tracking）：这类策略能跟随多样化的全身动作并保持平衡，能力很泛，但训练数据几乎都来自平地，于是双足在复杂地形上的移动潜力被直接浪费，遇到台阶、斜坡就束手无策。第二条是跨地形控制器：它们确实能对付复杂地面，但往往是任务专属的，或者只接受低维度的移动指令——比如一个方向和速度——因而无法表达「扶着栏杆跨过去」这类需要上半身参与的意图。
缺的是中间那一层
两条路线之间的空白，本质上是缺少一种既能接受丰富全身指令、又能知道「当前脚下是什么」的表达方式。InterTrack 的定位正是填补这一层：它被称为首个面向「带环境交互的鲁棒全身跟踪」的行为世界模型（Behavior World Model，BWM）。
行为世界模型：同时预测动作、状态和「行为分布」
InterTrack 的核心是一个 Transformer，它不像常见的策略网络那样只输出下一个动作，而是联合预测三件事：下一个动作、下一个状态，以及行为的分布。前两项让模型学习到「在什么状态下做什么动作会走到什么状态」，第三项则让它学习到一个行为层面的表征。由于这些训练信号来自真实的环境交互，模型学到的是以环境为条件的动力学——也就是地形如何影响运动的规律，而非某条固定的参考轨迹。
数据从哪来：自动标注重建 3D 支撑几何
交互数据的稀缺一直是这条路的瓶颈。论文的应对是一条自动标注流水线：对重定向后的人类动作进行重建，还原出三维的支撑几何——简单说，就是推断出人在做这个动作时，脚（或其他部位）究竟踩在什么形状的面上。有了这层几何信息，成规模的动作数据才带上「地形上下文」，具备用于训练交互策略的条件。
部署时的兜底：不可行动作按「尽力而为」处理
真实遥操作里，操作员常常在当前地形上发出根本做不到的指令。InterTrack 的处理方式不是报错或僵住，而是以 best-effort（尽力而为）的方式应对：在理解地形约束的前提下给出最接近意愿且仍然稳定的动作。这也是它区别于纯跟踪方案的地方：后者只会照着动作硬执行，指令超出地形能力时往往直接失衡。
数据之外：它实际表现如何
论文披露的量化结果集中在地形交互这一最难的场景。除了 81.3% 的交互成功率和 99.3% 的跌倒恢复率，InterTrack 在自由空间（free-space）的动作跟踪上同样优于三家主流的跟踪基线，并且在这种评价口径下全面胜出。配套的演示则覆盖物体交互、面对支撑缺失时的稳定响应、从跌倒中恢复，以及前述的实时跨地形全身遥操作。
关键指标一览
| 能力维度 | InterTrack 表现 | 参照对象 |
|---|---|---|
| 地形交互成功率 | 81.3% | 最优已评估基线的 4.3 倍 |
| 跌倒恢复率 | 99.3% | 论文未给出同比对照数值 |
| 自由空间动作跟踪 | 优于主流方案 | 三家领先跟踪基线 |
| 训练数据类型 | 重定向动作 + 自动重建的 3D 支撑几何 | 传统方案多为纯平地动作数据 |
| 跨地形实时遥操作 | 论文称为人形机器人上的首次演示 | 此前多为任务专属跨地形控制 |
FAQ：关于 InterTrack 你最可能关心的 3 个问题
「行为世界模型」和普通的「世界模型」有什么区别？
一般意义上的世界模型关注环境本身如何演化，比如下一帧画面长什么样。InterTrack 关注的是行为层面的表征：它的 Transformer 联合预测下一个动作、下一个状态与行为分布，因此在预测未来的同时也在刻画「什么样的行为在当前地形下是合理的」，最终学到的是环境条件下的动力学。
4.3 倍这个数字该怎么理解？
论文的表述很清楚，它是相对「表现最好的已评估基线」而言的倍数，而不是相对所有已知方法的倍数，更不是同一套测试集上的绝对差值。它足以说明跨代际的量级差异，但不适合被当作任意场景下的通用换算系数。
距离真实落地还有多远？
目前披露的结果来自论文中的实验与演示。99.3% 的跌倒恢复率和 81.3% 的交互成功率都说明策略层有了明显进步，但真机部署还要面对传感器噪声、地形感知误差、长时间运行的稳定性等系统级问题，这些不在本文数据覆盖范围内。
小结
InterTrack 的意义可以浓缩成一句话：它让机器人学的不再是「什么时候抬哪条腿」，而是「什么地形下全身该怎么配合」。这种把「地形如何影响运动」抽象成可学习表征的做法，比单纯刷高某个成功率更有迁移价值。下一步最值得关注的，是这套方法向更多地形类型、以及在配备真实感知的机器人上的泛化表现。
消息来自 HEX2077 AI资讯日报（2026年9月19日），原始出处 arXiv:2608.18234
相关阅读
这条线上还有几篇站内文章可以接着看：
- MAGS 多智能体形式化验证：以 Dafny 为中间表示，220 个任务 100% 产出带安全保证程序
- CloudEdgeVLA 把拖累机器人的网络延迟变成可学问题：40 步延迟下仍有 63.8%~78.0% 成功率
- 毒基准污染自修改编码代理：3 类自改编码框架全部被攻陷，漏洞行为随自我进化跨代传递且难以清除
延伸阅读
- 爱诗科技 PixVerse R2 实时全模态世界模型：Omni Causal AR 统一架构，边生成边交互边演化3 天前
- LingBot-World 2.0 开源三款模型：1.3B Small 可在消费级单卡实时生成世界3 天前
- Runway 发布 Solaris：把软件界面当视频实时生成，不用一行代码3 周前
- 智象未来发布 HiDream-O1-World：全球首个原生全模态交互式世界模型3 周前