基于多接触全身轨迹优化的人类运动动力学重定位
机器人学
2026-03-11 v1
摘要
我们提出 KinoDynamic Motion Retargeting（KDMR）框架，一种新的人类 locomotion 方法，将重定位过程建模为多接触、全身轨迹优化问题。传统的基于运动学的重定位方法仅依赖于空间运动捕捉（MoCap）数据，不可避免地引入物理不一致的artifact，如脚步滑动和地面穿透，严重降低下游仿真学习策略的性能。为填补这一差距，KDMR 超越纯运动学，通过显式强制刚体动力学和接触互补约束。进一步，通过整合地面反力（GRF）测量值和MoCap数据，我们的方法自动检测脚跟-脚趾接触事件，以准确复制复杂的人类化接触模式。我们将KDMR与最先进的基线方法 GMR 在三个关键维度上进行评估：1）retargeted motions 的动力学可行性和平滑性，2）GRF 跟踪精度相对于原始源数据，3）通过 BeyondMimic 框架训练的下游控制策略的训练效率和最终性能。实验结果表明，KDMR 显著优于纯运动学方法，产生动态可行的 reference 轨迹，加速策略收敛并提升整体 locomotion 稳定性。我们的 end-to-end pipeline 将在发表后开源。
引用
@article{arxiv.2603.09956,
title = {Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization},
author = {Xiaoyu Zhang and Steven Haener and Varun Madabushi and Maegan Tucker},
journal= {arXiv preprint arXiv:2603.09956},
year = {2026}
}