Smooth Operator: A Real-Time Sampling-Based Algorithm for Kinematic Hand Retargeting
作者: Robert Jomar Malate, Erik Bauer, Norica Bacuieti, Stefanos Charalambous, Elvis Nava, Robert K. Katzschmann, Benedek Forrai
分类: cs.RO
发布日期: 2026-07-08
💡 一句话要点
提出SBR算法以解决现有手部重定向中的抖动问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 手部重定向 采样控制 机器人操作 实时系统 认知负担 运动学模型 用户体验
📋 核心要点
- 现有的基于梯度的重定向算法容易陷入局部最小值，导致操作过程中的抖动，影响用户体验。
- 本文提出的采样基础重定向器（SBR）是一种无梯度的重定向方法，旨在通过采样控制技术实现实时、低抖动的运动学重定向。
- 在与基于梯度的基线比较中，SBR在任务成功率上达到了54.1%，并显著降低了操作员的认知疲劳，NASA-TLX工作负荷评分为36.4。
📝 摘要（中文）
随着基于学习的机器人操作技术的发展，诸如视觉-语言-动作模型和视频动作模型等，依赖于高质量的遥控数据。然而，现有的基于梯度的重定向算法常常收敛到不同的局部最小值，导致抖动，影响数据质量和遥控体验。为此，本文提出了一种新颖的无梯度重定向方法——采样基础重定向器（SBR），旨在实现低抖动、实时的运动学重定向。通过模拟和真实用户研究的评估，SBR在任务成功率和操作员认知疲劳方面均表现优异，最终为灵巧操作提供了一种有效的重定向工具。
🔬 方法详解
问题定义：本文旨在解决现有手部重定向算法中由于梯度方法导致的抖动问题，这种抖动影响了遥控操作的质量和用户体验。
核心思路：提出的SBR方法通过采样控制技术，避免了梯度下降法的局部最小值陷阱，从而实现更稳定的重定向效果。
技术框架：SBR的整体架构包括数据采样、运动学模型重定向和实时反馈机制，确保在复杂操作任务中保持低延迟和高精度。
关键创新：SBR的主要创新在于其无梯度的重定向策略，这与传统的基于梯度的方法形成了鲜明对比，显著减少了抖动现象。
关键设计：在设计中，SBR采用了特定的采样策略和优化算法，确保在实时操作中能够快速适应用户的输入，同时设置了合理的参数以优化性能。
🖼️ 关键图片
📊 实验亮点
在实验中，SBR相较于基于梯度的基线方法，任务成功率达54.1%，并且在NASA-TLX工作负荷评分中表现优异，仅为36.4，显示出显著的认知负担降低。
🎯 应用场景
该研究的潜在应用领域包括机器人手臂的精确控制、虚拟现实中的手部交互以及人机协作系统。通过提供更流畅的操作体验，SBR能够提升遥控操作的效率和用户满意度，具有广泛的实际价值和未来影响。
📄 摘要（原文）
Advances in learning-based robotic manipulation, such as Vision-Language-Action (VLA) models and Video Action Models (VAMs), heavily rely on high-quality teleoperation data. Their capabilities are strictly upper-bounded by the quality of the underlying human demonstrations. Current gradient-based retargeting algorithms often converge to different local minima, resulting in jitter that affects data quality and teleoperation experience. To address this, we introduce the Sampling-Based Retargeter (SBR), a novel gradient-free retargeting method drawn from the rich literature of sampling-based control and explicitly designed for low-jitter, real-time kinematic retargeting. We evaluate SBR both in simulation and through a rigorous real-world user study involving 18 participants performing 3 complex manipulation tasks. Compared to gradient-based baselines, SBR achieved the highest overall task success rate (54.1%) while significantly reducing operator cognitive fatigue, recording the lowest NASA-TLX workload score (36.4 out of 100). Ultimately, we establish SBR as a highly effective, intuitive retargeter for dexterous manipulation, providing the community with a rigorous benchmarking methodology to guide future retargeting research.