Resumo Técnico: Human2Humanoid

Declaração do Problema

O retargeting de movimento humano para robôs humanoides é um habilitador crítico para teleoperação, aprendizado por imitação e interação humano-robô. No entanto, esta tarefa enfrenta dois desafios primários e acoplados:

1. Discrepâncias Morfológicas: Existem diferenças significativas entre os corpos humano e robótico no que diz respeito à topologia esquelética, proporções de membros e graus de liberdade (DoFs). O alinhamento geomético simples frequentemente falha em preservar a semântica da ação quando os tamanhos corporais e as estruturas de articulação variam drasticamente.
2. Escassez de Dados: Pares de movimento humano-robô sincronizados e de alta qualidade são difíceis de adquirir e não escalam para diferentes implementações de robôs.
3. Plausibilidade Física: Métodos não pareados existentes (frequentemente provenientes de computação gráfica) priorizam a plausibilidade visual, mas falham em garantir trajetórias de espaço de junta executáveis, contatos com o solo estáveis ou adesão aos limites cinemáticos específicos do robô. Isso leva a artefatos como deslizamento de pés (foot skating), penetração no solo e flutuação corporal, que tornam os movimentos inutilizáveis em hardware real.

Métodos tradicionais baseados em otimização (ex: cinemática inversa) são interpretáveis, mas sensíveis às condições iniciais e ajustes, frequentemente produzindo poses semanticamente distorcidas sob grandes incompatibilidades morfológicas. Por outro via, métodos de aprendizado supervisionado exigem dados pareados que raramente estão disponíveis, enquanto abordagens generativas não supervisionadas existentes carecem das restrições físicas necessárias para a implantação robótica.

Metodologia

O artigo propõe o Human2Humanoid, um framework de retargeting de movimento não supervisionado projetado para transferir movimentos humanos para robôs humanoides sem dados pareados. O framework é construído sobre uma arquitetura do tipo CycleGAN, mas integra mecanismos específicos para lidar com morfologia e física.

1. Arquitetura da Rede

• Geradores Conscientes do Esqueleto: Diferente de métodos que tratam poses como vetores planos, os geradores empregam Redes Convolucionais de Grafos (GCNs) Conscientes do Esqueleto. Estas utilizam matrizes de adjacência para modelar explicitamente a estrutura topológica nativa dos movimentos esqueléticos, capturando correlações locais de juntas. A arquitetura inclui encoders com camadas SkeletonConv, um espaço latente e decoders com operações de unpooling para recuperar a topologia de destino.
• Discriminador de Pose por Quadro (Frame-wise): O discriminador opera em uma base por quadro, avaliando o realismo ao nível da junta em vez de colapsar para um único score escalar. Ele utiliza uma abordagem de dois ramos: um ramo por junta para realismo local e um ramo de corpo completo para coerência de pose, combinando-os para pontuar cada junta de forma independente.

2. Funções de Perda e Restrições Principais

Para preencher a lacuna de domínio e garantir a viabilidade física, o framework introduz três componentes específicos:

• Perda de Consistência de Efetuador Final Invariante à Morfologia ($L_{EE}$):
  Para lidar com discrepâncias de escala (ex: braços humanos vs. braços robóticos compactos), o método evita alinhar coordenadas cartesianas absolutas. Em vez disso, ele alinha trajetórias de efetuadores finais em relação ao T-pose de cada implementação. Ao normalizar os deslocamentos do T-pose pela escala corporal de cada implementação, a perda preserva a semântica do movimento através de diferentes morfologias.
  $$L_{EE} = \mathbb{E} \left[ \frac{1}{T|E|} \sum_{t=1}^{T} \sum_{k \in E} \left\| \frac{FK_k(q_B, t) - FK_k(q_B^{Tpose})}{S_B} - \frac{FK_k(\hat{q}_A, t) - FK_k(q_A^{Tpose})}{S_A} \right\|_2^2 \right]$$

• Restrições de Viabilidade Conscientes da Física:
  Restrições explícitas são impostas durante o treinamento para suprimir artefatos comuns na geração não supervisionada:

  • Restrição de Contato de Pé ($L_{con}$): Infere estados de contato a partir do movimento humano de origem (baseado na velocidade do pé) e penaliza a velocidade do pé de destino quando o contato é esperado, suprimindo o deslizamento do pé (foot skating).
  • Restrição de Altura de Pé ($L_{hei}$): Penaliza a "flutuação" ao garantir que, quando o pé de origem está em contato, o pé de destino permaneça próximo à sua altura nominal de solo.
  • Restrições de Limite de Junta ($L_{lim}$): Penaliza ângulos de junta previstos que excedem os limites mecânicos do robô ($[q_{min}, q_{max}]$) para evitar danos ao hardware ou paradas de emergência.

• Objetivo Total:
  A perda total do gerador combina os objetivos padrão de CycleGAN (Adversarial, Ciclo-consistência, Identidade) com as perdas de morfologia e física propostas:
  $$L_G = \lambda_{GAN}L_{GAN} + \lambda_{cyc}L_{cyc} + \lambda_{idt}L_{idt} + \lambda_{EE}L_{EE} + \lambda_{con}L_{con} + \lambda_{hei}L_{hei} + \lambda_{lim}L_{lim}$$

Resultados Experimentais

O método foi validado no robô humanoide Unitree G1 utilizando dados não pareados do conjunto de dados Motion-X (humano) e do PHUMA (robô).

• Controlabilidade Downstream: Avaliada usando uma política de rastreamento fixa em simulação. O Human2Humanoid alcançou a maior Taxa de Sucesso (88,5%) e o menor Erro de Rastreamento (0,12) entre todos os baselines (incluindo métodos de otimização PHC e GMR, e uma referência industrial).
• Viabilidade Física: O método demonstrou superioridade na supressão de artefatos de contato. Alcançou a menor Penetração no Solo (0,05 cm) e taxas competitivas de Foot Skating (4,7%), superando os baselines de otimização que frequentemente sofriam com descontinuidades de limite de junta ou exigiam ajuste por movimento para evitar tremores (jitter).
• Estudo de Ablação: A remoção da perda invariante de morfologia ($L_{EE}$) degradou significativamente o sucesso do rastreamento e aumentou o erro, confirmando seu papel na preservação semântica. A remoção das restrições físicas ($L_{con}, L_{hei}$) aumentou o deslizamento do pé e a penetração no solo, validando sua necessidade para a plausibilidade física.

Principais Contribuições

1. Framework Human2Humanoid: Um framework de retargeting de movimento não pareado para robôs humanoides heterogêneos que reduz a dependência de conjuntos de dados pareados específicos do robô.
2. Perda de Consistência de Efetuador Final Invariante à Morfologia: Uma nova função de perda que preserva a semântica do movimento sob grandes discrepâncias de escala ao alinhar trajetórias de efetuador final normalizadas em relação ao T-pose de cada implementação.
3. Restrições de Viabilidade Conscientes da Física: A integração de restrições explícitas de contato, altura e limite de junta no processo de treinamento generativo para mitigar artefatos críticos de implantação, como foot skating e penetração no solo.

Significância e Alegações

O artigo afirma que o Human2Humanoid consegue unir com sucesso a lacuna entre os priors de movimento humano e comportamentos robóticos executáveis sem exigir dados pareados. Ao combinar aprendizado não supervisionado com alinhamento semântico invariante à morfologia e priors físicos explícitos, o framework alcança um equilíbrio robusto entre fidelidade semântica (preservando a intenção do movimento humano) e executabilidade física (garantindo que o movimento seja seguro e estável para o robô).

Os autores enfatizam que, enquanto os métodos existentes dependem de otimização sensível ou exigem a construção cara de dados pareados, sua abordagem oferece uma solução escalável que produz movimentos de referência de alta qualidade e rastreáveis. Os resultados sugerem que o método proposto é particularmente eficaz em lidar com a "lacuna de implementação" (embodiment gap), permitindo que robôs humanoides repliquem movimentos humanos complexos com maior confiabilidade do que os atuais baselines de estado da arte. O trabalho futuro é focado na generalização para robôs não humanoides e no acoplamento fim-a-fim com políticas de controle de corpo inteiro.