Un modelo de lenguaje y visión (VLM) aprendió a operar un humanoide Unitree G1 sin datos de entrenamiento en escenas reales, mediante un arnés de interfaces que separa la percepción del control corporal. El sistema, denominado HITCH (Harness Interfaces To Command Humanoids), permite al modelo medir la escena seleccionando puntos en su cámara frontal y recibir su posición tridimensional a partir de la profundidad, en lugar de estimar distancias a ciegas. Con esa información, el agente comanda la pelvis, el torso, las manos, la marcha y la mirada, y un planificador traduce cada instrucción en una referencia de cuerpo completo que un tracker aprendido ejecuta a 50 Hz.
El equipo, adscrito a la Universidad de Tsinghua, el Instituto de Automatización de la Academia China de Ciencias y el Instituto Qizhi de Shanghái, afinó a Qwen3.8-27B con trayectorias en las que políticas maestras resuelven cinco tareas base: recoger y colocar objetos en mesa, transportarlos entre muebles, navegar, abrir cajones y puertas de gabinete, y abrir puertas de habitación. Sin trayectorias específicas por tarea, el modelo completa 51% de los episodios del benchmark SIMPLE y 42.5% de HumanoidArena; al añadir cinco trayectorias por tarea, el éxito en SIMPLE asciende a 95%. La ablación es contundente: sin la interfaz de percepción, el modelo entrenado en tareas base resuelve apenas 2.8% de los episodios. En el G1 real, completó 13 de 20 episodios de transporte y 6 de 10 de navegación.
En corto: El estudio, publicado en arXiv, reporta que el entrenamiento en tareas base mejora el desempeño en cada número de trayectorias probado y que las habilidades de operación del cuerpo se transfieren a tareas y escenas no vistas; la evaluación en el humanoide físico se realizó sin datos de entrenamiento reales.