G-DReaM：面向多种具身形态的图条件扩散重定向
机器人学
2025-05-28 v1
摘要
将现有运动数据集中的运动重定向到特定机器人，是将运动模式从人类行为迁移至各种机器人及其相互间的关键步骤。然而，拓扑结构、几何参数以及关节对应关系的不一致性，使得用统一的重定向架构处理多种具身形态变得困难。在本工作中，我们提出了一种新颖的统一图条件扩散运动生成框架，用于在不同具身形态间重定向参考运动。异构具身形态的内在特征通过图结构表示，该结构能有效捕捉不同机器人的拓扑与几何特征。这种基于图的编码进一步允许我们在本工作开发的定制注意力机制下，在关节层面进行知识挖掘。由于缺乏目标具身形态的真实运动数据，我们利用表述为重定向损失的基于能量的引导来训练扩散模型。作为机器人领域首批跨具身形态运动重定向方法之一，我们的实验验证了所提模型能以统一方式在异构具身形态间重定向运动。此外，它对多样的骨骼结构和相似的运动模式均展现出一定程度的泛化能力。
引用
@article{arxiv.2505.20857,
title = {G-DReaM: Graph-conditioned Diffusion Retargeting across Multiple Embodiments},
author = {Zhefeng Cao and Ben Liu and Sen Li and Wei Zhang and Hua Chen},
journal= {arXiv preprint arXiv:2505.20857},
year = {2025}
}