전신 추적 (Whole-body tracking, WBT) 모델은 휴머노이드 로봇이 다양한 동작을 높은 충실도로 모방할 수 있게 함으로써 핵심적인 기반이 되었습니다. 이러한 모델을 처음부터 학습시키는 데에는 대규모 데이터와 연산량이 필요하며, 이는 새로운 휴머노이드 플랫폼에 신속하게 배포하는 비용을 높게 만듭니다. 여기서 자연스러운 질문이 제기됩니다: 사전 학습된 WBT 모델이 최소한의 적응만으로 서로 다른 신체 구조 (embodiments) 간에 전이될 수 있을까요? 이 질문에 답하기 위해, 우리는 소량의 데이터와 연산만으로 기존의 WBT 전문가를 새로운 휴머노이드 신체 구조로 효율적으로 전이하는 패러다임인 Any2Any를 제안합니다. Any2Any는 먼저 소스 (source) 및 타겟 (target) 휴머노이드 간의 운동학적 정렬 (kinematic alignment)을 수행하여, 사전 학습된 소스 정책 (policy)이 타겟 신체 구조에서도 의미 있게 재사용될 수 있도록 입력 및 출력 공간을 정렬합니다. 그 다음, Any2Any는 선택된 역학 민감 모듈 (dynamics-sensitive modules)에 경량화된 매개변수 효율적 미세 조정 (Parameter-Efficient Fine-Tuning, PEFT) 구성 요소를 적용하여 역학 적응 (dynamics adaptation)을 수행하며, 이를 통해 유용한 행동 사전 지식 (behavioral priors)을 보존하는 동시에 타겟 로봇에 대한 표적 적응을 가능하게 합니다. 다양한 휴머노이드 플랫폼과 사전 학습된 백본 (backbones)에 대한 광범위한 실험 결과, Any2Any는 처음부터 학습시키는 방식에 비해 수렴을 실질적으로 가속화하고 학습 비용을 절감하는 동시에, 경쟁력 있거나 우수한 추적 성능을 달성함을 보여주었습니다. 특히, 전체 학습에 필요한 연산 및 데이터의 단 1%만을 사용하여, Any2Any는 Unitree G1에서 사전 학습된 Sonic 모델을 LimX Oli 및 LimX Luna로 성공적으로 전이시켰습니다. 이러한 결과는 사전 학습된 WBT 전문가가 신체 구조 전반에 걸쳐 효율적으로 재사용될 수 있음을 시사하며, 새로운 로봇에 휴머노이드 전신 제어를 배포하기 위한 확장 가능한 경로를 제공합니다.