宇树开源OmniXtreme人形架构 流匹配破解高动态动作难题

2026年3月5日，宇树科技（Unitree）正式开源人形机器人运动控制架构OmniXtreme，同步发布创始人王兴兴署名的技术论文。该架构采用双阶段流匹配训练框架，破解了高动态场景下人形机器人动作保真度下降、物理落地难的行业痛点，可精准复刻后空翻、街舞等高极限动作。

当2026年春晚上的人形机器人试图完成后空翻动作时，却因物理落地误差导致动作走形——这曾是高动态人形机器人落地的普遍困境。宇树科技的最新动作，正是瞄准这一行业顽疾。

在人形机器人的应用场景中，高动态动作（如后空翻、武术、街舞）是检验技术实力的核心指标，但长期以来，这类动作面临两大瓶颈：一是多任务训练时的梯度干扰导致动作保真度急剧下降，二是物理落地时因电机性能、环境误差导致动作走形甚至失控。此前，行业普遍依赖单一强化学习框架，但这种方式在整合多类极限技能时，极易出现“顾此失彼”的情况——比如学会了后空翻，却丢失了街舞的精准度。

宇树科技推出的OmniXtreme架构，采用独创的双阶段训练框架，从根源上解决了上述难题。

第一阶段为流匹配预训练（Scalable Flow-based Pretraining）：通过生成式建模的流匹配技术，将分布在不同专家策略中的高动态技能进行整合与蒸馏，统一到单一模型中。与传统强化学习不同，流匹配技术通过学习动作的速度场路径，避免了多任务训练时的梯度干扰，大幅提升了人形机器人的极限动作表现能力。

第二阶段为执行器感知后训练（Actuation-Aware Post-Training）：聚焦物理落地的实际问题，通过残差强化学习与写实的力矩-转速包络线建模，让机器人能够实时感知自身电机的物理极限与再生功率状态，并进行动态自我修正，确保动作在真实物理环境中的精准落地。

除了发布技术架构，宇树科技同步开源了OmniXtreme的核心代码，并由创始人王兴兴署名发布技术论文，公开了所有训练细节与实验数据。这一举动打破了高动态人形机器人技术的壁垒，让全球开发者都能基于该架构进行二次开发，大幅降低了高动态动作的研发门槛。

在宇树Unitree G1硬件平台的测试中，OmniXtreme架构已成功实现了后空翻、连续侧翻等高难度动作的1:1精准复刻，动作保真度与物理落地精度均超越行业现有水平。业内人士认为，这一开源举措将推动人形机器人在应急救援、竞技表演、工业巡检等高动态场景的商业化应用。