Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence
本文提出了统一运动重定向（Unified Motion Retargeting, UMR），该框架通过学习稠密点云对应关系，能够自动且可扩展地将多样化的人类运动数据转化为高保真机器人轨迹，而无需依赖人工的人机映射。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
人形机器人旨在以人类所拥有的那种流畅度和适应性在我们的世界中穿行。为了教它们如何行走、捡拾物体或爬楼梯，工程师经常从浩如烟海的人类运动库中寻找灵感。然而，简单地将人类的动作复制到机器人身上并不像按下播放键那样直接。人类和机器人的构造不同；它们拥有不同的体型、不同的关节数量，以及对关节弯曲程度的不同限制。如果机器人试图完全模仿人类的姿势，它可能会把自己扭转到不可能的位置或失去平衡。多年来，解决方案一直是手动将特定的个人关节映射到特定的机器人关节上，为每一个新的机器人设计创建一个定制的指令集。这个过程缓慢，需要专家知识，并且往往无法捕捉到人类身体如何与环境互动的细微细节。
一个研究小组开发了一种被称为“统一运动重定向”（Unified Motion Retargeting，简称 UMR）的新方法，改变了这种转换方式。该系统不再依赖于手动的关节映射，而是将人体和机器人视为两个覆盖着数百万个微小点的表面。想象一下，一个人的皮肤和机器人的皮肤就像是两团点云。研究人员教会了计算机如何学习这两团点云如何相互对应，从而在人类表面上的每一个点与机器人表面上的一个点之间找到匹配。这种学习是在一个中立的站立姿势中完成的，并保存了最终生成的连接关系。当人类移动时，系统使用这个预先学习好的映射来引导机器人的表面点去跟随人类的表面点，而不是试图去匹配特定的骨骼或关节。这使得机器人能够重现复杂的姿态，并且至关重要的是，能够准确理解何时以及如何触摸物体或地面，就像人类那样。
这种方法的强大之处在于它能够处理体型差异，而无需为每种机器人进行新的手动设置。在测试中，研究人员将该系统应用于各种人类运动来源，包括来自动作捕捉服、扫描的人体网格以及计算机生成的动画数据。随后，他们将这些动作重定向到五种不同的类人机器人上，这些机器人在身高和身体比例方面存在显著差异。系统成功地在所有这些组合之间转移了动作，证明了这种学习到的点对点映射无论使用哪种特定的机器人都是有效的。这表明该方法可以扩展到任何新的机器人设计，而无需工程师花费数周时间来重新定义机器人的各个部件是如何与人类相关的。
除了移动身体之外，该系统还保留了物理接触的细节。当人类踢球或爬楼梯时，身体的特定部分会接触环境的特定部分。旧的方法通常难以准确转移这些接触点，导致机器人可能会踏空或无法正确抓取物体。因为新系统追踪的是整个表面，所以它可以直接转移接触图。如果人类的手以特定的角度接触球，机器人的手也会被引导以同样的方式接触球。在涉及搬运物体、踢球和爬楼梯等任务的实验中，使用这种新方法训练的机器人表现明显优于使用以往技术训练的机器人。它们完成任务的成功率更高，且在关节运动方面的错误更少。
研究人员还在现实世界环境中测试了该系统，将学习到的行为部署在实体机器人上。该机器人能够执行高动态动作，例如旋转踢，并能应对楼梯和斜坡等复杂环境。即使在模拟环境中通过随机变化进行鲁棒性测试时，该系统处理这些挑战时的稳定性与准确性也达到了或超过了现有的最佳方法。结果表明，通过专注于表面几何形状而非底层的骨架，该系统在人类运动与机器人动作之间建立了一个更自然、更可靠的桥梁。这种方法提供了一条可扩展的路径，允许工程师利用大规模的人类运动数据集来训练各种各样的机器人，而不受机器具体设计的限制。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。