亚马逊机器人团队FAR（Frontier AI for Robotics）近期公布了其首个人形足式机器人研究成果——OmniRetarget，这款机器人凭借“盲眼”操作引发科技圈热议。与传统依赖视觉或雷达的机器人不同，OmniRetarget在无任何外部感知设备的情况下，完成了搬运9斤重椅子、攀爬1米高桌子、翻跟头跳跃等复杂动作，甚至能流畅完成爬坡、搬箱子等任务。网友将其与特斯拉擎天柱对比，称其功能“强10倍”。
OmniRetarget的核心突破在于实现了强化学习策略在复杂环境中的“移-操一体”（loco-manipulation）技能学习，并首次达成从仿真到人形机器人的零样本迁移。这一成果依赖于其开源数据生成引擎，该引擎通过交互网格（interaction mesh）技术，将人类动作转化为机器人可执行的高质量运动学参考。与传统方法忽略人与环境交互不同，交互网格能精准建模机器人、物体和地形之间的空间与接触关系，从而生成运动学可行的动作变体。
研究团队介绍，交互网格是一个由机器人关节、物体采样点及环境关键点构成的体积结构。通过德劳内四面体化（Delaunay tetrahedralization）构建网格后，算法会最小化源动作（人类示范）与目标动作（机器人动作）之间的拉普拉斯形变能，确保动作重定向时保留局部空间结构和接触关系。例如，在搬运椅子时，网格会精确保持机器人手部与椅子的接触点，同时调整身体姿态以适应不同高度或形状的物体。
为提升数据多样性，OmniRetarget通过参数化改变物体配置、地形特征等方式，将单个人类演示转化为丰富数据集。例如，在机器人-物体交互中，系统会增强物体的空间位置和形状，生成多样化交互场景；在机器人-地形交互中，则通过调整平台高度和深度，模拟不同地形条件。研究特别加入约束，防止机器人下半身随物体简单刚体变换，从而生成真正多样化的动作。
在动力学实现层面，研究采用强化学习训练低层策略，将运动学参考轨迹转化为物理可执行动作。训练时，机器人仅依赖本体感知（如关节速度、骨盆线速度）和参考轨迹作为先验知识，无需直接感知场景信息。奖励函数包含身体跟踪、物体跟踪、动作速率等五类指标，确保动作质量的同时提升泛化能力。实验显示，搭载OmniRetarget的宇树G1机器人成功完成了持续30秒的多阶段跑酷任务，动作精度与通用性均达行业领先水平。
与PHC、GMR等开源基线对比，OmniRetarget在运动学质量指标（如穿透、脚部打滑、接触保留）上表现全面优于对手，下游强化学习策略成功率领先10%以上。即使在完整增强数据集上训练，其成功率仍达79.1%，与仅使用标称动作的82.2%接近，证明运动学增强可显著扩大动作覆盖范围而不降低性能。
值得关注的是，OmniRetarget背后的Amazon FAR团队成立仅七个多月，由华人学者段岩（Rocky Duan）领衔。该团队前身为知名机器人公司Covariant，其创始人包括伯克利机器人学习实验室主任Pieter Abbeel、Peter Chen等。去年8月，亚马逊与Covariant达成技术许可协议，吸纳其四分之一员工，并邀请Pieter Abbeel、Peter Chen和段岩加入。目前，段岩担任FAR研究负责人，OmniRetarget的惊艳亮相标志着亚马逊在人形机器人领域的首次突破。
参考链接：
[1]https://x.com/Thom_Wolf/status/1974774416815857779
[2]https://www.aboutamazon.com/news/company-news/amazon-covariant-ai-robots
[3]https://analyticsindiamag.com/ai-news-updates/amazon-forms-frontier-ai-robotics-team-to-revolutionise-automation/
[4]https://OmniRetarget.github.io/
