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科研机构，近日共同推出了一项名为OmniRetarget的创新技术。该技术通过构建交互网格模型，实现了智能体、地形及操作对象间空间关系的精准建模与接触保持，为机器人运动轨迹生成提供了全新的解决方案。
研究团队开发的交互保留数据生成引擎，通过优化人类与机器人网格的拉普拉斯变形过程，同时严格遵循运动学约束条件，成功生成了符合物理规律的可行轨迹。实验数据显示，该引擎生成的轨迹在运动学约束满足度和接触稳定性方面均显著优于现有基线模型，累计生成数据时长超过9小时。
在实机验证环节，宇树科技研发的G1人形机器人展现了惊人的运动能力。该机器人仅依靠本体感觉反馈系统，无需视觉或激光雷达辅助，便完成了包括搬运椅子作为攀爬辅助、跨越障碍物、空中翻滚缓冲等复杂动态序列。其中一个典型任务中，机器人需将椅子搬运至指定位置，借助其作为支撑完成30厘米高度的攀爬动作，随后通过前空翻实现安全着陆。
技术评估表明，基于OmniRetarget生成的数据集，可使强化学习策略在机器人本体感觉系统上高效运行。研究人员仅使用5个基础奖励函数和统一的环境随机化参数，便成功训练出具备长时程（最长30秒）运动控制能力的模型，且无需设计复杂的学习课程。该成果在跑酷动作和物体操作两大类任务中均表现出色。
公开的演示视频展示了多种运动场景：机器人可灵活执行爬行、跳跃、箱体攀爬等基础动作，更能以8种不同风格完成箱子搬运任务。这些风格差异体现在动作节奏、肢体配合及重心控制等细节层面，充分证明了系统对多样化运动模式的支持能力。
目前，研究团队已完整公开技术论文与实验数据集，相关代码将于近期陆续发布。这项突破为机器人运动控制领域提供了新的研究范式，特别是在复杂环境下的自主决策与运动规划方面具有重要应用价值。
