TrajBooster——通过“轨迹中心学习”提升人形全身操作能力的VLA：把智元轮式数据迁移到宇树G1上，先二次预训练后微调(免去动捕)

摘要：TrajBooster提出了一种跨形态框架，通过将末端执行器轨迹从轮式机器人迁移到双足人形机器人，解决双足VLA微调数据稀缺问题。该框架包含真实轨迹提取、仿真重定向和真实微调三个步骤，利用AgibotG1的大规模数据提升UnitreeG1的VLA训练效果。实验表明，仅需10分钟真实遥操作数据即可实现广泛全身操作任务，展现了在多样化工作空间中的操作能力。