亚马逊机器人团队FAR（Frontier AI for Robotics）近期发布了一项名为OmniRetarget的人形机器人研究成果，引发业界广泛关注。该系统实现了强化学习策略在复杂环境中的长时程“移-操一体”技能学习，并成功将仿真训练成果零样本迁移至实体机器人。
与传统依赖视觉传感器的机器人不同，此次展示的足式机器人完全通过算法驱动，在无摄像头、雷达等感知设备的情况下，完成了搬动4.5公斤重物、攀爬1米高台、后空翻下落等高难度动作。实验视频显示，该机器人不仅能流畅完成跑酷动作，还可执行搬运箱体、跨越斜坡等实用任务。
技术核心在于创新的交互网格建模方法。研究团队构建了包含机器人关节、物体接触点及环境特征的体积结构，通过德劳内四面体化处理保持空间关系。算法每帧求解约束非凸优化问题，在满足碰撞避免、关节限制等硬约束的同时，最小化拉普拉斯形变能以保留人类示范动作的空间结构。
数据增强策略突破性地实现了单演示多场景应用。通过参数化调整物体位置、形状及地形特征，系统将单个人类动作示范转化为多样化数据集。在机器人-物体交互场景中，算法固定下半身轨迹确保稳定性，同时允许上半身探索新协调模式；面对地形变化时，通过调整平台高度深度并引入额外约束生成新场景。
强化学习层采用分层控制架构，底层策略将运动学参考轨迹转化为物理可行动作。训练过程仅依赖本体感知数据，包括骨盆线速度、关节位置等五类奖励信号，结合领域随机化技术提升泛化能力。实验表明，该方法在保持82.2%基准成功率的同时，通过运动学增强将动作覆盖范围扩大79.1%。
对比测试显示，OmniRetarget在穿透深度、足部滑动等关键指标上全面优于PHC、GMR等开源基线。下游策略评估中，其生成的参考动作使任务成功率提升超10%，且在搬箱、攀爬等不同任务中表现稳定。特别在30秒复杂跑酷任务中，机器人精确完成了多阶段动作衔接。
该成果出自成立仅七个月的Amazon FAR团队，其核心成员源自机器人技术公司Covariant。这个由伯克利机器人学习实验室主任Pieter Abbeel领衔的团队，包含其弟子Rocky Duan、Tianhao Zhang等知名学者。去年八月，亚马逊通过技术许可和人才吸纳方式完成团队整合，目前由Rocky Duan担任研究负责人。
实验采用OMOMO、LAFAN1等公开数据集验证，在物体操作精度、地形适应能力等方面取得突破性进展。这种基于交互网格的动作重定向技术，为足式机器人在复杂环境中的自主作业提供了新范式，其高效的数据增强机制更显著降低了实体训练成本。
