[数码讨论]宇树 G1 人形机器人再进化：能爬桌子、搬凳子，美国团队新成果 [复制链接]

宇树G1人形机器人通过美国团队研发的OmniRetarget技术，实现了无需视觉辅助的复杂动态任务，如爬桌子、搬凳子及跑酷翻滚，运动自主性和环境交互能力大幅提升。

📌 核心技术突破
OmniRetarget是基于交互网格的数据生成引擎，通过建模智能体、地形与物体间的空间接触关系，生成运动学可行轨迹。其优势在于：

精准建模：最小化人类与机器人网格的拉普拉斯变形，强制运动学约束2。
高效训练：生成超9小时轨迹数据，支持本体感觉强化学习，仅需5个奖励项即可完成长时程任务（长达30秒）3。
🧩 能力升级与演示案例
宇树G1在最新测试中展现了多项复杂技能，完全依赖本体感觉策略驱动（无需视觉/激光雷达）：

技能类型    具体表现
环境交互    携带椅子作为踏板爬桌子，跳下后翻滚缓冲落地1
动态运动    连续空翻、跳上小箱子、爬行，运动序列时长可达30秒4
操作多样性    支持8种搬箱子风格，适应不同场景需求5
✅ 技术价值与应用前景
该成果推动人形机器人向实用化迈进：

自主性提升：摆脱对视觉传感器的依赖，适应复杂光照或遮挡环境。
数据复用性：OmniRetarget可跨数据集生成轨迹，降低训练成本2。
扩展潜力：未来或应用于家庭服务、工业巡检等场景，执行需精细操作的任务。

关于OmniRetarget的研究成果

背景与概述

近期，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联合发布了名为OmniRetarget的最新研究成果。这是一项基于交互网格的交互保留数据生成引擎，旨在生成运动学上可行的轨迹。这项技术在机器人运动控制领域具有重要意义，特别是在人形机器人应用方面。

关键技术点

1. 交互网格建模
   - OmniRetarget通过明确建模智能体（如机器人）、地形和被操作物体之间的空间和接触关系，确保生成的轨迹在物理上是可行的。
   - 通过最小化人类和机器人网格之间的拉普拉斯变形，并强制执行运动学约束，OmniRetarget能够生成精确且自然的运动轨迹。

2. 本体感觉策略驱动
   - 该技术允许机器人完全依赖本体感觉策略（即内部感知），而无需外部视觉或激光雷达辅助。这意味着机器人可以在没有外部传感器的情况下完成复杂的动态任务。

3. 长时程动态任务
   - 研究团队展示了宇树G1人形机器人完成了一系列复杂的长时程动态任务，例如携带椅子作为踏板爬上桌子，然后跳下并执行跑酷式的翻滚动作来缓冲落地。
   - 这些任务展示了机器人在复杂环境中的适应能力和灵活性。

评估与结果

- 研究团队通过从多个数据集中重新目标追踪运动，生成了超过9小时的轨迹数据。
- 这些轨迹在运动学约束满足和接触保持方面显著优于现有的基线方法。
- 使用本体感觉强化学习策略，G1机器人能够在长达30秒的时间内成功执行跑酷和运动操作技能，仅使用5个奖励项和简单的领域随机化进行训练。

应用场景与未来展望

1. 多样化运动操作
   - OmniRetarget不仅支持基本的运动操作，还能让机器人以多种风格进行操作，例如8种不同的搬箱子方式。
   - 这种多样性使得机器人在不同场景下的应用更加灵活和高效。

2. 公开资源促进研究
   - 该研究的论文和数据集已经公开发布，代码也将在后续放出。这将有助于学术界和工业界进一步探索和发展人形机器人的动态技能。

3. 潜在应用领域
   - 人形机器人在家庭服务、医疗护理、工业制造等领域具有广泛应用潜力。
   - OmniRetarget技术的应用将进一步提升这些领域的自动化水平和效率。

总结

OmniRetarget作为一项创新的技术，通过基于交互网格的建模和本体感觉策略驱动，实现了人形机器人在复杂环境中的高效运动控制。这项技术不仅在学术研究中具有重要价值，也为未来的实际应用提供了坚实的基础。随着更多研究者的参与和技术的不断进步，我们有理由期待人形机器人在未来能够发挥更大的作用。