面向可扩展人形机器人学习的快速运动重定向流水线
研究团队提出 FRDV 框架，将人体运动捕捉数据重定向到不同人形机器人：运动学阶段结合自定义序列二次规划求解器、实时迭代与分块并行处理，最高达每秒 9,156 帧，比 GMR 和 ProtoMotions 快约 136 倍，并在优化中加入机器人特定约束以减少地面穿透与自碰撞。对需进一步验证的动作，用接触隐式 iLQR 控制器在完整刚体动力学下检验，识别动力学不可行动作并修正脚部悬空、打滑。团队用多条现有流水线训练运动跟踪强化学习策略，比较跟踪保真度与成功率，并在宇树 G1 人形机器人上完成 sim-to-real 迁移。
发布于 10-22 10:55来源：arXiv cs.RO
转载 · 官方发布原文：arXiv cs.RO ·《Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning》查看原链
arXiv:2610.28470v1 公告类型：新论文 摘要：尽管大规模人体运动捕捉数据集为人形机器人学习提供了丰富的示范来源，但将多样化的运动重定向到不同的人形机器人上仍然是一项不小的挑战。 现有的运动动力学轨迹优化流水线计算开销大，且往往需要针对每个动作进行手动调整。
我们提出 FRDV（Fast Retargeting with Dynamics Validation，带动力学验证的快速重定向），这是一个可扩展框架，由快速约束运动学重定向和额外的动力学验证流水线组成。 其运动学阶段集成了自定义的序列二次规划求解器、实时迭代（Real-Time Iteration）以及基于分块的并行处理，最高可达每秒 9,156 帧，比 GMR 和 ProtoMotions 快约 136 倍，同时将机器人特定约束纳入优化，以减少常见的重定向伪影，如地面穿透和自碰撞。
对于需要额外验证的运动，使用接触隐式 iLQR 控制器在完整刚体动力学下测试重定向后的参考轨迹。 这种基于动力学的验证能够识别动力学上不可行的运动，并修正脚部悬空和脚部打滑等接触相关伪影。 我们通过使用多个最先进的流水线训练运动跟踪强化学习策略，并比较其跟踪保真度和成功率，来评估重定向质量。
此外，我们在 Unitree G1 人形机器人上演示了仿真到现实的迁移。 视频和代码见：https://daroslab.github.io/frdv/。