新研究提出全身运动迁移框架，用人类动作数据训练人形机器人

学术团队在 arXiv 上发表新论文，提出了一种可扩展的全身运动迁移方法（Whole-body Motion Transfer），利用隐式运动学与动力学重定向技术，将人类动作数据迁移到人形机器人上。这项研究试图解决机器人学习中最紧迫的问题之一：训练数据的严重匮乏。

人形机器人模仿学习面临的核心矛盾在于：人类拥有海量的运动数据——来自视频、动作捕捉系统甚至生成模型——但将这些数据直接应用于结构完全不同的人形机器人并非易事。

论文指出，从视频、动捕系统或生成模型获取的人类运动数据往往包含空间噪声、抖动和帧级闪烁，这些缺陷在迁移到机器人时可能被放大，导致不稳定的控制信号。该框架通过隐式重定向机制来抑制这些噪声。

该方法的核心创新在于将运动学（关节位置和角度）和动力学（力、力矩和平衡）约束同时纳入重定向过程，使得迁移后的运动既在几何上可行，又在物理上稳定。

如果该技术成熟，将意味着研究人员可以利用现有的海量人类运动数据库（包括影视动捕数据、体育视频等）来训练人形机器人，而无需为每个新技能进行耗时耗力的机器人数据采集。

对于人形机器人行业而言，这一方向代表了从手工编程向数据驱动范式转变的深入。降低数据采集成本是商业化的关键障碍之一。

后续关注点在于该方法在真实人形机器人硬件上的部署效果，以及其能否处理更复杂、更动态的人类运动类型。