近日，由美国亚马逊FAR实验室联合麻省理工学院、加州大学伯克利分校、斯坦福大学及卡内基梅隆大学等顶尖机构组成的科研团队，正式发布了一项名为OmniRetarget的突破性技术成果。该系统通过创新的交互网格建模方法，实现了对智能体、地形及操作对象间复杂空间关系的精准捕捉，为机器人运动控制领域开辟了全新路径。
研究团队通过动态演示视频展示了宇树G1人形机器人的惊人表现：在完全依赖本体感觉（无需视觉或激光雷达）的条件下，该机器人成功完成了一系列高难度动作组合，包括自主搬运椅子作为攀爬支撑物、精准跳跃至桌面后执行缓冲翻滚等连续操作。这一系列动作持续超过30秒，展现了系统对复杂环境的高度适应性。
技术核心在于OmniRetarget引擎采用的交互保留机制。该系统通过优化人类与机器人网格的拉普拉斯变形过程，同步强制执行运动学约束条件，从而生成符合物理规律的可行轨迹。实验数据显示，通过多数据集重新目标追踪生成的运动轨迹，在接触保持准确性和运动约束满足度方面均显著优于现有基准方案。
基于该技术训练的本体感觉强化学习策略，仅需5个基础奖励项和统一的任务随机化设置，便使宇树G1机器人掌握了包括爬行、翻滚、跳跃等在内的多样化运动技能。研究团队特别强调，整个训练过程未采用任何课程式学习方法，却实现了对长达30秒复杂动作序列的稳定控制。
演示案例库显示，系统支持机器人以8种不同风格执行搬运任务，包括侧向搬运、旋转搬运等多样化操作模式。这种运动风格的可定制性，为服务机器人适应不同应用场景提供了技术基础。目前，研究团队已公开部分技术实现细节与实验数据，供全球科研机构验证复现。
