Resumen Técnico: Human2Humanoid

Declaración del Problema

El retargeting de movimiento humano a robots humanoides es un habilitador crítico para la teleoperación, el aprendizaje por imitación y la interacción humano-robot. Sin embargo, esta tarea enfrenta dos desafíos primarios y acoplados:

1. Discrepancias Morfológicas: Existen diferencias significativas entre los encarnamientos (embodiments) humanos y robóticos en cuanto a topología esquelética, proporciones de extremidades y grados de libertad (DoF). El alineamiento geomético simple suele fallar al no preservar la semántica de la acción cuando las escalas corporales y las estructuras de las articulaciones varían drásticamente.
2. Escasez de Datos: Los pares de movimiento humano-robot sincronizados de alta calidad son difíciles de adquirir y no escalan a través de diferentes encarnamientos robóticos.
3. Plausibilidad Física: Los métodos no emparejados existentes (a menudo provenientes de la computación gráfica) priorizan la plausibilidad visual, pero no logran asegurar trayectorias de espacio articular ejecutables, contactos estables con el suelo o la adherencia a los límites cinemáticos específicos del robot. Esto genera artefactos como el deslizamiento de pies (foot skating), penetración del suelo y flotación del cuerpo, lo que hace que los movimientos sean inutilizables en hardware real.

Los métodos tradicionales basados en optimización (por ejemplo, cinemática inversa) son interpretables pero sensibles a las condiciones iniciales y al ajuste de parámetros, produciendo a menudo poses semánticamente distorsionadas bajo grandes desajustes de morfología. Por el contrario, los métodos de aprendizaje supervisado requieren datos emparejados que rara vez están disponibles, mientras que los enfoques generativos no supervisados existentes carecen de las restricciones físicas necesarias para el despliegue robótico.

Metodología

El artículo propone Human2Humanoid, un marco de retargeting de movimiento no supervisado diseñado para transferir movimientos humanos a robots humanoides sin necesidad de datos emparejados. El marco se basa en una arquitectura de tipo CycleGAN, pero integra mecanismos específicos para abordar la morfología y la física.

1. Arquitectura de la Red

• Generadores Conscientes del Esqueleto (Skeleton-Aware): A diferencia de los métodos que tratan las poses como vectores planos, los generadores emplean Redes Convolucionales de Grafos (GCN) conscientes del esqueleto. Estas utilizan matrices de adyacencia para modelar explícitamente la estructura topológica nativa de los movimientos esqueléticos, capturando correlaciones locales de las articulaciones. La arquitectura incluye codificadores con capas SkeletonConv, un espacio latente y decodificadores con operaciones de unpooling para recuperar la topología objetivo.
• Discriminador de Pose por Fotograma: El discriminador opera sobre una base por fotograma, evaluando el realismo a nivel de articulación en lugar de colapsar a una única puntuación escalar. Utiliza un enfoque de doble rama: una rama de articulación (joint-wise) para el realismo local y una rama de cuerpo completo para la coherencia de la pose, combinándolas para puntuar cada articulación de forma independiente.

2. Funciones de Pérdida y Restricciones Clave

Para cerrar la brecha de dominio y asegurar la viabilidad física, el marco introduce tres componentes específicos:

• Pérdida de Consistencia de Efector Final Invariante a la Morfología ($L_{EE}$):
  Para manejar los desajustes de escala (por ejemplo, brazos humanos frente a brazos robóticos compactos), el método evita alinear coordenadas cartesianas absolutas. En su lugar, alinea las trayectorias de los efectores finales de forma relativa a la pose en T (T-pose) de cada encarnamiento. Al normalizar los desplazamientos desde la pose en T mediante la escala corporal del encarnamiento, la pérdida preserva la semántica del movimiento a través de diferentes morfologías.
  $$L_{EE} = \mathbb{E} \left[ \frac{1}{T|E|} \sum_{t=1}^{T} \sum_{k \in E} \left\| \frac{FK_k(q_B, t) - FK_k(q_B^{Tpose})}{S_B} - \frac{FK_k(\hat{q}_A, t) - FK_k(q_A^{Tpose})}{S_A} \right\|_2^2 \right]$$

• Restricciones de Viabilidad Conscientes de la Física:
  Se imponen restricciones explícitas durante el entrenamiento para suprimir los artefactos comunes en la generación no supervisada:

  • Restricción de Contacto de Pies ($L_{con}$): Infiere los estados de contacto a partir del movimiento humano de origen (basándose en la velocidad del pie) y penaliza la velocidad del pie objetivo cuando se espera contacto, suprimiendo el deslizamiento de pies (foot skating).
  • Restricción de Altura de Pies ($L_{hei}$): Penaliza la "flotación" asegurando que, cuando el pie de origen está en contacto, el pie objetivo permanezca cerca de su altura nominal de contacto con el suelo.
  • Restricciones de Límite de Articulación ($L_{lim}$): Penaliza los ángulos de articulación predichos que exceden los límites mecánicos del robot ($[q_{min}, q_{max}]$) para evitar daños al hardware o paradas de emergencia.

• Objetivo Completo:
  La pérdida total del generador combina los objetivos estándar de CycleGAN (Adversario, Consistencia de Ciclo, Identidad) con las pérdidas de morfología y física propuestas:
  $$L_G = \lambda_{GAN}L_{GAN} + \lambda_{cyc}L_{cyc} + \lambda_{idt}L_{idt} + \lambda_{EE}L_{EE} + \lambda_{con}L_{con} + \lambda_{hei}L_{hei} + \lambda_{lim}L_{lim}$$

Resultados Experimentales

El método fue validado en el robot humanoide Unitree G1 utilizando datos no emparejados del conjunto de datos Motion-X (humano) y el conjunto de datos PHUMA (robot).

• Controlabilidad de Abajo (Downstream Controllability): Evaluado mediante una política de seguimiento fija en simulación. Human2Humanoid logró la Tasa de Éxito más alta (88.5%) y el Error de Seguimiento más bajo (0.12) entre todos los modelos de referencia (incluyendo los métodos de optimización PHC y GMR, y una referencia industrial).
• Viabilidad Física: El método demostró una supresión superior de los artefactos de contacto. Logró la menor Penetración de Suelo (0.05 cm) y tasas competitivas de Deslizamiento de Pies (4.7%), superando a los modelos de referencia basados en optimización que a menudo sufrían de discontinuidades en los límites de las articulaciones o requerían ajustes por movimiento para evitar el jitter.
• Estudio de Ablación: Eliminar la pérdida invariante de la morfología ($L_{EE}$) degradó significamente el éxito del seguimiento y aumentó el error, confirmando su papel en la preservación semántica. Eliminar las restricciones físicas ($L_{con}, L_{hei}$) aumentó el deslizamiento de pies y la penetración del suelo, validando su necesidad para la plausibilidad física.

Contribuciones Clave

1. Marco Human2Humanoid: Un marco de retargeting de movimiento no supervisado para robots humanoides heterogéneos que reduce la dependencia de conjuntos de datos emparejados específicos del robot.
2. Pérdida de Consistencia de Efector Final Invariante a la Morfología: Una novedosa función de pérdida que preserva la semántica del movimiento bajo grandes desajustes de escala al alinear las trayectorias de los efectores finales normalizadas respecto a la pose en T de cada encarnamiento.
3. Restricciones de Viabilidad Conscientes de la Física: La integración de restricciones explícitas de contacto, altura y límites de articulación en el proceso de entrenamiento generativo para mitigar artefactos críticos para el despliegue, como el deslizamiento de pies y la penetración del suelo.

Significado y Reivindicaciones

El artículo afirma que Human2Humanoid logra cerrar la brecha entre los modelos de movimiento humano y los comportamientos robóticos ejecutables sin requerir datos emparejados. Al combinar el aprendizaje no supervisado con el alineamiento semántico invariante a la morfología y los sesgos físicos explícitos, el marco logra un equilibrio robusto entre la fidelidad semántica (preservar la intención del movimiento humano) y la ejecutabilidad física (asegurar que el movimiento sea seguro y estable para el robot).

Los autores enfatizan que, mientras que los métodos existentes dependen de una optimización sensible o requieren la costosa construcción de datos emparejados, su enfoque ofrece una solución escalable que produce movimientos de referencia de alta calidad y rastreables. Los resultados sugieren que el método propuesto es particularmente efectivo para manejar la "brecha de encarnamiento", permitiendo que los robots humanoides repliquen movimientos humanos complejos con una mayor fiabilidad que las bases actuales del estado del arte. Se señala que el trabajo futuro se centrará en la generalización a robots no humanoides y en el acoplamiento de extremo a extremo con políticas de control de cuerpo completo.