10 月 3 日消息，美国亚马逊 FAR、麻省理工、加州大学伯克利分校、斯坦福大学、卡内基梅隆大学等高校团队本周公布了最新研究成果 —— OmniRetarget，这是一个基于交互网格的交互保留数据生成引擎，可以生成运动学上可行的轨迹。
OmniRetarget 是一个基于交互网格的交互保留数据生成引擎，它明确建模并保留了智能体、地形和被操作物体之间关键的空间和接触关系。通过最小化人类和机器人网格之间的拉普拉斯变形，同时强制执行运动学约束，OmniRetarget 生成了运动学上可行的轨迹。
研究团队通过从多个数据集中重新目标追踪运动，全面评估了 OmniRetarget，生成了超过 9 小时轨迹，这些轨迹在运动学约束满足和接触保持方面优于广泛使用的基线。这种数据使本体感觉强化学习策略能够在宇树 G1 人形机器人上成功执行长时程（长达 30 秒）的跑酷和运动操作技能，仅使用 5 个奖励项和所有任务共享的简单领域随机化进行训练，没有任何学习课程。
该团队放出了多个演示案例，包括翻滚、爬桌子、跳上小箱子、爬行等。
此外，OmniRetarget 能够让人形机器人以多种风格进行运动操作，比如 8 种搬箱子的动作。
该研究的论文、数据集均已公布，代码将在后续放出，附研究页面地址：
https://omniretarget.github.io/