利用人体先验重新定义运动重定向的数据配对

我们提出了 MR HuBo（利用人体先验的运动重定向），一种经济且便捷的采集高质量上半身配对 <机器人，人体> 姿态数据的方法，这类数据对于数据驱动的运动重定向方法至关重要。与现有方法通过将人体姿态转换为机器人姿态来采集 <机器人，人体> 姿态数据不同，我们的方法反向进行。我们首先采样各种随机机器人姿态，然后将它们转换为人体姿态。然而，由于随机机器人姿态可能导致不切实际且不可行的人体姿态，我们提出了一种额外的技术，利用从大量人体姿态数据训练得到的人体先验来筛选出不可行的姿态。我们的数据采集方法适用于任何类人机器人，前提是设计或优化系统的超参数，包括尺寸比例因子和用于采样的关节角范围。除了这种数据采集方法，我们还提出了一种两阶段的运动重定向神经网络，可以通过监督学习在大量配对数据上进行训练。与通过无监督学习训练的其他学习方法相比，我们发现使用大量高质量配对数据训练的深度神经网络取得了显著的性能提升。我们的实验还表明，与使用原始噪声数据训练相比，我们的数据过滤方法能获得更好的重定向结果。我们的代码和视频结果可在 https://sites.google.com/view/mr-hubo/ 获取。