Sintesi Tecnica: Human2Humanoid

Definizione del Problema

Il retargeting del movimento umano verso robot umanoidi è un abilitatore critico per la teleoperazione, l'apprendimento per imitazione e l'interazione uomo-robot. Tuttavia, questo compito deve affrontare due sfide primarie e accoppiate:

1. Discrepanze Morfologiche: Esistono differenze significative tra le incarnazioni umane e quelle robotiche per quanto riguarda la topologia scheletrica, le proporzioni degli arti e i gradi di libertà (DoF). Il semplice allineamento geometrico spesso fallisce nel preservare la semantica dell'azione quando le dimensioni corporee e le strutture articolari variano drasticamente.
2. Scarsità di Dati: Coppie di movimento umano-robot sincronizzate e di alta qualità sono difficili da acquisire e non scalano su diverse incarnazioni robotiche.
3. Plausibilità Fisica: I metodi non accoppiati esistenti (spesso derivanti dalla computer grafica) danno priorità alla plausibilità visiva ma non riescono a garantire traiettorie nello spazio articolare eseguibili, contatti stabili con il suolo o l'aderenza ai limiti cinematici specifici del robot. Ciò porta ad artefatti come lo scivolamento dei piedi (foot skating), la penetrazione del terreno e il galleggiamento del corpo, che rendono i movimenti inutilizzabili su hardware reale.

I metodi tradizionali basati sull'ottimizzazione (ad esempio, l'ingegneria cinematica inversa o IK) sono interpretabili ma sensibili alle condizioni iniziali e alla calibrazione, produhendo spesso pose semanticamente distorte sotto grandi discrepanze morfologiche. Al contrario, i metodi di apprendimento supervisionato richiedono dati accoppiati che sono raramente disponibili, mentre gli approoli generativi non accoppiati esistenti mancano dei vincoli fisici necessari per l'impiego robotico.

Metodologia

Il documento propone Human2Humanoid, un framework di retargeting del movimento non accoppiato progettato per trasferire i movimenti umani a robot umanoidi senza dati accoppiati. Il framework si basa su un'architettura di tipo CycleGAN, ma integra meccanismi specifici per affrontare la morfologia e la fisica.

1. Architettura della Rete

• Generatori Consapevoli dello Scheletro (Skeleton-Aware): A differenza dei metodi che trattano le pose come vettori piatti, i generatori impiegano Reti Convoluzionali su Grafi (GCN) consapevoli dello scheletro. Queste utilizzano matrici di adiacenza per modellare esplicitamente la struttura topologica nativa dei movimenti scheletrici, catturando le correlazioni locali tra le articolazioni. L'architettura include encoder con strati SkeletonConv, uno spazio latente e decoder con operazioni di unpooling per recuperare la topologia target.
• Discriminatore della Posa Frame-wise: Il discriminatore opera su base frame-wise, valutando il realismo a livello di articolazione piuttosto che collassare in un singolo punteggio scalare. Utilizza un approccio a doppio ramo: un ramo per le articolazioni per il realismo locale e un ramo per l'intero corpo per la coerenza della posa, combinandoli per punteggiare ogni articolazione indipendentemente.

2. Funzioni di Perdita e Vincoli Chiave

Per colmare il divario di dominio e garantire la fattibilità fisica, il framework introduce tre componenti specifiche:

• Perdita di Consistenza dell'Effettore Finale Invariante dalla Morfologia ($L_{EE}$):
  Per gestire le discrepanze di scala (ad esempio, braccia umane rispetto a braccia robotiche compatte), il metodo evita l'allineamento delle coordinate cartesiane assolute. Inveve, allinea le traiettorie degli end-effector rispetto alla T-pose di ciascuna incarnazione. Normalizzando gli spostamenti dalla T-pose rispetto alla scala corporea dell'incarnazione, la perdita preserva la semantica del movimento attraverso diverse morfologie.
  $$L_{EE} = \mathbb{E} \left[ \frac{1}{T|E|} \sum_{t=1}^{T} \sum_{k \in E} \left\| \frac{FK_k(q_B, t) - FK_k(q_B^{Tpose})}{S_B} - \frac{FK_k(\hat{q}_A, t) - FK_k(q_A^{Tpose})}{S_A} \right\|_2^2 \right]$$

• Vincoli di Fattibilità Consapevoli della Fisica:
  Vengono imposti vincoli espliciti durante l'addestramento per sopprimere gli artefatti comuni nella generazione non accoppiata:

  • Vincolo di Contatto del Piede ($L_{con}$): Inferisce gli stati di contatto dal movimento umano sorgente (basandosi sulla velocità del piede) e penalizza la velocità del piede target quando il contatto è atteso, sopprimendo lo scivolamento del piede (foot skating).
  • Vincolo di Altezza del Piede ($L_{hei}$): Penalizza il "galleggiamento" assicurando che, quando il piede sorgente è a contatto, il piede target rimanga vicino alla sua altezza nominale da terra.
  • Vincoli dei Limiti Articolari ($L_{lim}$): Penalizza gli angoli articolari previsti che superano i limiti meccanici del robot ($[q_{min}, q_{max}]$) per prevenire danni all'hardware o arresti di emergenza.

• Obiettivo Totale:
  La perdita totale del generatore combina gli obiettivi standard di CycleGAN (Adversarial, Cycle-consistency, Identity) con le perdite di morfologia e fisica proposte:
  $$L_G = \lambda_{GAN}L_{GAN} + \lambda_{cyc}L_{cyc} + \lambda_{idt}L_{idt} + \lambda_{EE}L_{EE} + \lambda_{con}L_{con} + \lambda_{hei}L_{hei} + \lambda_{lim}L_{lim}$$

Risultati Sperimentali

Il metodo è stato validato sul robot umanoide Unitree G1 utilizzando dati non accoppiati dal dataset Motion-X (umano) e dal dataset PHUMA (robot).

• Controllabilità a Valle: Valutata utilizzando una politica di tracking fissa in simulazione. Human2Humanoid ha raggiunto il più alto Tasso di Successo (88,5%) e l'errore di Tracking più basso (0,12) tra tutti i baseline (inclusi i metodi di ottimizzazione PHC e GMR, e un riferimento industriale).
• Fattibilità Fisica: Il metodo ha dimostrato una superiore soppressione degli artefatti di contatto. Ha ottenuto la minore Penetrazione del Suolo (0,05 cm) e tassi competitivi di Foot Skating (4,7%), superando i baseline basati sull'ottimizzazione che spesso soffrivano di discontinuità dei limiti articolari o richiedevano una calibrazione per movimento per evitare il jitter.
• Studio di Ablazione: Rimuovere la perdita invariante dalla morfologia ($L_{EE}$) ha degradato significativamente il successo del tracking e aumentato l'errore, confermando il suo ruolo nella preservazione semantica. Rimuovere i vincoli fisici ($L_{con}, L_{hei}$) ha aumentato lo scivolamento del piede e la penetrazione del suolo, validando la loro necessità per la plausibilità fisica.

Contributi Chiave

1. Framework Human2Humanoid: Un framework di retargeting del movimento non accoppiato per robot umanoidi eterogenei che riduce la dipendenza da dataset accoppiati specifici per il robot.
2. Perdita di Consistenza dell'Effettore Finale Invariante dalla Morfologia: Una nuova funzione di perdita che preserva la semantica del movimento sotto grandi discrepanze di scala allineando le traiettorie degli end-effector normalizzate rispetto alla T-pose di ciascuna incarnazione.
3. Vincoli di Fattibilità Consapevoli della Fisica: L'integrazione di espliciti vincoli di contatto, altezza e limiti articolari nel processo di addestramento generativo per mitigare artefatti critici per l'impiego come lo scivolamento del piede e la penetrazione del suolo.

Significato e Rivendicazioni

Il documento afferma che Human2Humanoid riesce a colmare il divario tra i priori del movimento umano e i comportamenti robotici eseguibili senza richiedere dati accoppiati. Combinando l'apprendimento non accoppiato con l'allineamento semantico invariante dalla morfologia e i priori fisici espliciti, il framework raggiunge un equilibrio robusto tra fedeltà semantica (preservare l'intento del movimento umano) ed esecutività fisica (garantire che il movimento sia sicuro e stabile per il robot).

Gli autori sottolineano che, mentre i metodi esistenti si affidano a un'ottimizzazione sensibile o richiedono la costosa costruzione di dati accoppiati, il loro approccio offre una soluzione scalabile che produce riferimenti di movimento di alta qualità e tracciabili. I risultati suggeriscono che il metodo proposto è particolarmente efficace nel gestire il "gap di incarnazione", consentendo ai robot umanoidi di replicare complessi movimenti umani con maggiore affidabilità rispetto agli attuali baseline allo stato dell'arte. Il lavoro futuro si concentrerà sull'estensione a robot non umanoidi e sul coupling end-to-end con politiche di controllo del corpo intero.