重定向至关重要：面向人形机器人运动跟踪的通用运动重定向
机器人学
2025-10-03 v1
摘要
人形机器人运动跟踪策略是构建遥操作管线和分层控制器的核心，但它们面临一个根本挑战：人类与人形机器人之间的具身鸿沟。当前方法通过将人类运动数据重定向至人形具身，然后训练强化学习（RL）策略来模仿这些参考轨迹以解决这一鸿沟。然而，重定向过程中引入的伪影（如脚部滑动、自穿透和物理上不可行的运动）通常被留在参考轨迹中交由 RL 策略纠正。尽管先前的工作展示了运动跟踪能力，但它们通常需要大量的奖励工程和域随机化才能成功。在本文中，我们系统性地评估了在抑制过度奖励调优时，重定向质量如何影响策略性能。为了解决我们在现有重定向方法中发现的问题，我们提出了一种新的重定向方法——通用运动重定向（GMR）。我们将 GMR 与两个开源重定向器 PHC 和 ProtoMotions 以及来自 Unitree 的高质量闭源数据集进行了评估。使用 BeyondMimic 进行策略训练，我们在无奖励调优的情况下隔离了重定向效应。我们在 LAFAN1 数据集的多样化子集上的实验表明，尽管大多数运动可以被跟踪，但重定向数据中的伪影会显著降低策略鲁棒性，特别是对于动态或长序列。GMR 在跟踪性能和对源运动的忠实度上始终优于现有的开源方法，实现了接近闭源基线的感知保真度和策略成功率。网站：https://jaraujo98.github.io/retargeting_matters。代码：https://github.com/YanjieZe/GMR。
引用
@article{arxiv.2510.02252,
title = {Retargeting Matters: General Motion Retargeting for Humanoid Motion Tracking},
author = {Joao Pedro Araujo and Yanjie Ze and Pei Xu and Jiajun Wu and C. Karen Liu},
journal= {arXiv preprint arXiv:2510.02252},
year = {2025}
}