亚马逊FAR团队发布人形机器人OmniRetarget

亚马逊机器人团队FAR（Frontier AI for Robotics）发布了其首个人形机器人研究成果OmniRetarget，实现无需感知单元的“盲眼”运动，在30秒内完成搬椅、爬桌、翻跟头等复杂动作。

OmniRetarget是一个开源数据生成引擎，通过交互网格（interaction mesh）建模机器人、物体与地形间的空间和接触关系，将人类演示转化为适用于人形机器人的高质量运动学参考，支持全身控制中的“移-操一体”（loco-manipulation）技能，并实现从仿真到硬件的零样本迁移。

交互网格被定义为体积结构，顶点包括关键关节及物体与环境采样点，通过德劳内四面体化构建。算法最小化源动作与目标动作间的拉普拉斯形变能，以保持相对空间结构和接触关系。每帧通过求解约束非凸优化问题获得机器人配置，满足碰撞避免、关节限制和防滑等硬约束，采用顺序二次规划风格方法保证时间连续性和平滑性。

系统通过参数化改变物体配置、形状或地形特征，将单个人类演示扩展为多样化轨迹。在物体交互中，增强位姿与平移并固定下半身至标称轨迹，使上半身探索新协调方式；在地形交互中，调整平台高度与深度并引入额外约束生成多场景。强化学习用于弥补动力学差异，训练低层策略将运动学轨迹转化为物理可执行动作。

机器人仅依赖本体感知和参考轨迹作为先验知识，输入包括参考关节位置/速度、骨盆误差、骨盆线/角速度、关节状态及先前动作。奖励函数包含身体跟踪、物体跟踪、动作速率、软关节限制和自碰撞五类，并结合领域随机化提升泛化能力。相似动作分组训练以加速收敛，不同任务采用独立策略设置。

实验显示，搭载OmniRetarget的宇树G1成功执行持续30秒的多阶段跑酷任务。完整增强数据集上的训练成功率为79.1%，接近仅用标称动作的82.2%，表明增强显著扩展动作覆盖范围而不明显降低性能。与PHC、GMR、VideoMimic等基线相比，OmniRetarget在穿透、脚部打滑和接触保留指标上整体更优，且轻微穿透可由强化学习修复。

下游策略评估表明，OmniRetarget在所有任务中成功率领先基线10%以上，表现更稳定。实验基于OMOMO、内部MoCap和LAFAN1数据集进行。Amazon FAR成立七个多月，由前Covariant团队组建，核心成员包括Pieter Abbeel、Peter Chen、Rocky Duan和Tianhao Zhang，其中Rocky Duan任研究负责人。该成果为人形机器人领域首次公开尝试。