OmniRetarget：面向人类全身运动捕捉的交互保持数据生成

教育人类机器人复杂技能的主导范式是将人类动作 retarget 为运动学参考以训练强化学习（RL）策略。然而，现有的 retarget 管道在人类与机器人之间的显著本体差异下，难以处理，产生脚步滑移和穿透等物理上不可实现的制品。更重要的是，常见的 retarget 方法忽略了人类-物体和人类-环境交互，这些交互对于表达 locomotion 和 loco-manipulation 至关重要。为此，我们引入 OmniRetarget，一种基于交互网格的交互保持数据生成引擎，显式建模并保持代理、地形和被操控物体之间的关键空间和接触关系。通过最小化人类网格与机器人网格之间的拉普拉斯变形，同时强制执行运动学约束，OmniRetarget 生成可行的运动学轨迹。此外，保持任务相关交互可实现从单个演示到不同机器人本体、地形和物体配置的数据增强。我们通过从 OMOMO、LAFAN1 以及自建 MoCap 数据集中 retarget 动作，对 OmniRetarget 进行全面评估，生成超过8小时的轨迹，在运动学约束满足性和接触保持性方面优于广泛使用的基线。这种高质量数据使 proprioceptive RL 策略能够在 Unitree G1 人形机器人上成功执行最长为30秒的攀爬和 loco-manipulation 技能，这些技能仅使用5个奖励项和简单域随机化训练，无需任何学习课程。