OTRetarget框架发布：实现人机运动协同重定向与优化

摘要：Hugging Face团队发布了一项名为OTRetarget的新研究，旨在解决人机运动重定向中的关键挑战。该方法通过熵最优传输（Optimal Transport）技术，将人体运动数据与机器人形态及环境互动进行联合优化，确保在保持接触一致性的同时适应机器人形态差异。实验结果表明，OTRetarget在机器人-物体互动Jaccard得分和深度误差方面均优于现有方法（如OmniRetarget），并在实际人形机器人G1上成功验证了其有效性，为复杂人机交互任务提供了新的技术路径。

---

背景与挑战

在将人体运动迁移到人形机器人时，如何在保持与环境的互动一致性的同时适应机器人形态差异，是一个关键挑战。尤其在涉及地面接触和物体操控的复杂任务中，传统方法难以同时满足运动风格和接触一致性的要求。

OTRetarget方法

OTRetarget通过以下步骤解决了上述问题：

1. 表面互动表示：使用符号距离、最近表面点和相对方向来描述表面互动。
2. 熵最优传输：利用熵最优传输技术，将互动目标从人体迁移到机器人及物体几何结构。
3. 约束逆运动学：将互动目标整合到约束逆运动学公式中，在每帧中联合优化机器人与物体的姿态，以平衡接触一致性和运动风格。

实验与结果

在OMOMO数据集上的实验表明，OTRetarget在机器人-物体互动Jaccard得分（87%）和深度误差（8.7毫米）方面均优于OmniRetarget（分别为28%和29.3毫米）。此外，研究团队还在物理人形机器人G1上进行了验证，成功实现了包括双手搬运盒子等复杂动作。

行业影响与未来展望

OTRetarget为复杂人机交互任务提供了新的解决方案，特别是在需要高精度的机器人操控和物体互动场景中具有重要应用价值。未来，该方法有望进一步扩展到更多类型的机器人平台，并结合强化学习等技术提升其适应性和鲁棒性。

开发者建议

• 应用场景：适用于需要高精度人机协作的工业自动化、服务机器人等领域。
• 技术整合：建议结合强化学习或模仿学习技术，以进一步提升机器人运动的重定向效果。
• 数据需求：高质量的人体运动数据和机器人形态数据是应用该方法的关键。

---

消息来源：Hugging Face Daily Papers (2026-09-29)

—— 完 ——

主题标签： #Hugging Face #机器人 #人机交互 #最优传输 #强化学习