Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning
作者: Daniel Marew, Sangjun Park, Nisal Perera, Donghyun Kim
分类: cs.RO
发布日期: 2026-10-20
🔗 代码/项目: PROJECT_PAGE
💡 一句话要点
提出FRDV框架以解决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) 支柱二：RL算法与架构 (RL & Architecture) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 运动重定向 人形机器人 动态验证 强化学习 轨迹优化
📋 核心要点
- 现有的运动重定向方法计算复杂且需要手动调整，难以适应多样化的人形机器人运动。
- FRDV框架通过快速的运动学重定向和动力学验证，显著提高了重定向效率和质量。
- 实验表明，FRDV在运动跟踪强化学习策略训练中表现优异，成功率和跟踪精度均有显著提升。
📝 摘要（中文）
尽管大规模的人类运动捕捉数据集为人形机器人学习提供了丰富的示范，但将多样化的运动重定向到不同的人形机器人仍然是一个复杂的挑战。现有的运动轨迹优化方法计算成本高，且通常需要针对每个动作进行手动调整。本文提出了FRDV（快速重定向与动力学验证），这是一个可扩展的框架，包含快速的约束运动学重定向和额外的动力学验证流程。其运动学阶段集成了自定义的序列二次规划求解器、实时迭代和并行块处理，速度可达9156帧每秒，约为GMR和ProtoMotions的136倍，同时在优化中融入了特定于机器人的约束，以减少常见的重定向伪影。对于需要额外验证的动作，采用接触隐式iLQR控制器在全刚体动力学下测试重定向参考，识别动态不可行的动作并修正接触相关的伪影。
🔬 方法详解
问题定义：本文旨在解决将多样化的人类运动重定向到不同人形机器人时所面临的计算复杂性和手动调整需求的问题。现有方法在处理复杂运动时往往效率低下，且容易产生伪影。
核心思路：FRDV框架的核心思想是通过快速的约束运动学重定向和动力学验证来提高重定向的效率和准确性。通过集成高效的求解器和并行处理，减少了计算时间，同时确保了重定向的质量。
技术框架：FRDV框架分为两个主要阶段：第一阶段是快速的约束运动学重定向，使用自定义的序列二次规划求解器和实时迭代；第二阶段是动力学验证，利用接触隐式iLQR控制器进行动态可行性测试。
关键创新：FRDV的主要创新在于其速度和准确性的结合，达到9156帧每秒的处理速度，显著快于现有方法，并且通过机器人特定约束减少了重定向伪影。
关键设计：在运动学重定向中，采用了并行块处理和自定义求解器，优化了计算效率；在动力学验证中，使用接触隐式iLQR控制器来确保重定向动作的动态可行性，修正接触相关的伪影。
🖼️ 关键图片
📊 实验亮点
实验结果显示，FRDV框架在运动跟踪强化学习策略训练中，跟踪精度和成功率显著提高，处理速度达到9156帧每秒，相较于GMR和ProtoMotions提升了约136倍。这一性能提升为人形机器人在复杂任务中的应用提供了强有力的支持。
🎯 应用场景
该研究具有广泛的应用潜力，尤其是在人形机器人领域，如服务机器人、娱乐机器人和工业自动化等。通过提高运动重定向的效率和准确性，FRDV框架可加速机器人学习和适应能力的提升，推动人形机器人在复杂环境中的应用。未来，该方法可能会影响机器人运动规划和控制的研究方向。
📄 摘要（原文）
While large-scale human motion capture datasets provide a rich source of demonstrations for humanoid robot learning, retargeting the diverse motions to different humanoid robots remains a nontrivial challenge. Existing kinodynamic trajectory optimization pipelines are computationally expensive and often require manual adjustments per motion. We present FRDV (Fast Retargeting with Dynamics Validation), a scalable framework consisting of rapid constrained kinematic retargeting and an additional dynamics validation pipeline. Its kinematic stage integrates a custom Sequential Quadratic Programming solver, Real-Time Iteration, and parallel chunk-based processing, achieving up to 9,156 frames per second, approximately up to 136 times faster than GMR and ProtoMotions, while robot-specific constraints are incorporated into the optimization to reduce common retargeting artifacts, such as ground penetration and self-collision. For motions requiring additional verification, a contact implicit iLQR controller is utilized to test the retargeted reference under full rigid body dynamics. This dynamics-based validation identifies dynamically infeasible motions and refines contact-related artifacts such as foot floating and foot skating. We evaluate retargeting quality by training motion tracking reinforcement learning policies using several state-of-the-art pipelines and comparing their tracking fidelity and success rates. Furthermore, sim-to-real transfer is demonstrated on a Unitree G1 humanoid. Videos and code are available at: https://daroslab.github.io/frdv/.