10月3日讯
近日，由美国亚马逊 FAR、麻省理工、加州大学伯克利分校、斯坦福大学和卡内基梅隆大学等高校团队联合研发的最新技术成果——OmniRetarget正式对外公布。这项基于交互网格的交互保留数据生成引擎能够生成运动学上可行的轨迹。
在研究团队发布的演示视频中，宇树 G1 人形机器人完成了一系列复杂且长时程的动态动作序列。这些动作完全由本体感觉策略驱动，无需依赖视觉或激光雷达等外部感知设备。
例如，在一个特定任务中，G1 机器人展示了其灵活的操作能力：它能将一把椅子作为踏板，攀爬至桌面上，并随后做出类似跑酷的翻滚动作以实现平稳落地。这一系列动作展现了该机器人在复杂环境中的适应能力和动态平衡技术。
OmniRetarget的核心优势在于其能够精确建模并保留智能体、地形和被操作物体之间的关键空间与接触关系。通过最小化人类网格与机器人网格之间的拉普拉斯形变，同时强制执行严格的运动学约束条件，OmniRetarget成功生成了运动学上可行的轨迹。
研究团队通过整合多个数据集进行重新目标追踪实验，对OmniRetarget进行了全面评估。实验结果显示，该引擎生成的超过9小时动作轨迹在满足运动学约束和保持接触方面均优于现有基线技术。这些高质量的数据支持本体感觉强化学习策略在宇树 G1 机器人上实现了长时程（最长30秒）的动作技能执行，且仅使用5个奖励项和统一的任务共享随机化进行训练，无需额外的学习课程。
该团队还展示了多个动作演示案例，包括翻滚、爬桌子、跳跃至高台以及跑酷等高难度动作。此外，OmniRetarget的独特能力还包括让人形机器人以多样化风格完成操作任务——例如8种不同的搬箱子动作。
值得一提的是，OmniRetarget不仅在技术理论上取得了突破，在实际应用中也展现出广阔前景。它为人形机器人在复杂动态环境中完成精细操作任务提供了新的解决方案。
目前，该研究的论文和数据集已正式发布，代码预计将在后续阶段开放。如需了解更多细节，可访问其官方页面：
https://omniretarget.github.io/
相关文章
