From Legs to Wheels: Embodiment-Aware Human Motion Retargeting for Mobile-Base Humanoids
作者: Jiyeon Koo, Eunseom Pyo, Jeonghee Seo, Taehwa Kim, Andrew Jaeyong Choi
分类: cs.RO
发布日期: 2026-10-06
备注: 8 pages, 4 figures
💡 一句话要点
提出任务条件框架以解决移动底盘人形机器人运动重定向问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 人形机器人 运动重定向 任务条件框架 移动底盘 机器人控制
📋 核心要点
- 现有的人类到人形机器人的重定向方法假设机器人具有类人运动学，无法适用于移动底盘人形机器人。
- 提出了一种任务条件框架，将人类运动重建分配给底盘、升降和手臂，解决了运动表达不匹配的问题。
- 通过与人类派生任务空间的比较、无策略模拟重放和物理机器人上的定性执行评估，验证了方法的有效性。
📝 摘要（中文）
人类视频是机器人演示的可扩展来源，但大多数人类到人形机器人的重定向方法假设机器人具有类人运动学，这对于配备轮式底盘的移动底盘人形机器人并不适用。本文提出了一种任务条件框架，将重建的人类运动分配给底盘、升降和手臂的职责，以解决这一不匹配问题。该框架在机器人特定实现之前，保持人类派生路径的稳定性，分离转向和移动，并修复升降和手臂轨迹。最后，通过部署适配器将参考转换为50 Hz命令，并在物理机器人上进行了定性执行评估。
🔬 方法详解
问题定义：本文旨在解决移动底盘人形机器人在运动重定向中与人类运动表达不匹配的问题。现有方法通常假设机器人具有类人运动学，无法有效处理轮式底盘和升降机构的运动需求。
核心思路：提出了一种任务条件框架，通过将重建的人类运动分配给底盘、升降和手臂的职责，来实现人类运动在移动底盘人形机器人上的有效表达。此设计考虑了机器人特有的运动限制和功能需求。
技术框架：整体架构包括运动重建、任务条件分配和部署适配器三个主要模块。首先重建人类运动，然后根据任务条件将其分配给不同的机器人部件，最后通过适配器将参考命令转换为适合机器人的控制信号。
关键创新：本研究的创新点在于任务条件框架的提出，能够有效处理移动底盘人形机器人在运动重定向中的特定需求，与传统方法相比，能够更好地适应机器人特性。
关键设计：在参数设置上，采用了稳定的路径保持机制，分离转向和移动的策略，并通过时间一致的播放缩放和线性、角速度增益的独立调整来优化命令输出。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的方法在与人类派生任务空间的比较中表现优异，能够有效稳定运动路径，并在物理机器人上实现了流畅的运动执行。具体性能数据尚未披露，但相较于基线方法，提升幅度显著。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、救援机器人和人机交互系统等。通过有效的运动重定向，移动底盘人形机器人能够更自然地执行复杂任务，提高其在实际场景中的适应能力和工作效率，具有重要的实际价值和未来影响。
📄 摘要（原文）
Human video offers a scalable source of robot demonstrations, yet most human-to-humanoid retargeting methods assume a legged robot with human-like kinematics. This assumption does not hold for mobile-base humanoids equipped with a wheeled base, vertical lift, and two arms. Human walking must be expressed through base motion, while torso bending may require coordinated lift and arm motion. We address this mismatch with a task-conditioned framework that assigns reconstructed human motion to base, lift, and arm responsibilities before robot-specific realization. The allocator preserves the human-derived path, stabilizes heading, separates turn and translation when needed, retimes commands to satisfy base limits, and repairs lift and arm trajectories. A deployment adapter then converts the reference to 50 Hz commands using stationary-base detection, deadband and slew-rate filtering, time-consistent playback scaling, and separate linear and angular gains. We evaluate the resulting references with human-derived task-space comparisons, policy-free simulation replay, and a qualitative execution on a physical robot.