WARP: Whole-Body Retargeting for Learning from Offline Human Demonstrations
作者: Zhenyang Chen, Chuizheng Kong, Chuye Zhang, Yuanshao Yang, Lawrence Y. Zhu, Shreyas Kousik, Danfei Xu
分类: cs.RO
发布日期: 2026-06-29
💡 一句话要点
提出WARP以解决人类示范到机器人动作的转移问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 全身移动操作 人类示范 机器人学习 动作重定向 几何求解 自动化控制 智能机器人
📋 核心要点
- 现有的重定向方法在从人类示范中提取机器人动作时，常常导致不精确和不一致的结果，影响学习效果。
- WARP通过明确建模体现差异，利用几何求解器实现精确的末端执行器跟踪，提取独特的全身动作。
- 实验结果表明，WARP在开放环路重放中提供了高度可靠的数据，显著提升了机器人操作的准确性和一致性。
📝 摘要（中文）
直接从人类示范中转移学习到可操作的机器人动作是实现可扩展全身移动操作的关键步骤。尽管人类数据比移动遥控更具可扩展性，但仍需克服显著的体现差距。现有的重定向方法往往产生不精确或不一致的解决方案，导致动作多模态，妨碍监督策略的可靠收敛。本文提出了全身感知重定向（WARP），一个离线管道，明确建模体现差异，以提取精确、独特的全身动作。WARP利用封闭形式的肩肘腕（SEW）几何求解器实现精确的末端执行器跟踪，同时保持全身结构意图。与懒惰的移动基控制相结合，WARP提取准确、一致的机器人轨迹。评估结果表明，WARP为开放环路的现实重放提供了高度可靠的数据。
🔬 方法详解
问题定义：本文旨在解决从人类示范到机器人动作的直接转移问题，现有方法常常导致不精确和不一致的结果，影响学习的可靠性。
核心思路：WARP的核心思路是通过建模体现差异，利用几何求解器精确跟踪末端执行器，同时保持全身结构的意图，从而提取独特的全身动作。
技术框架：WARP的整体架构包括离线数据处理、几何求解模块和移动基控制模块。首先，离线数据处理提取人类示范数据，然后通过SEW几何求解器进行精确跟踪，最后结合移动基控制生成一致的机器人轨迹。
关键创新：WARP的主要创新在于首次实现了零-shot全身移动操作，直接从离线人类示范中学习，消除了对人类参与的遥控数据的需求。
关键设计：WARP采用了封闭形式的SEW几何求解器，确保末端执行器的精确跟踪，同时设计了懒惰的移动基控制策略，以提取准确、一致的机器人轨迹。
🖼️ 关键图片
📊 实验亮点
实验结果显示，WARP在开放环路重放中提供了高度可靠的数据，显著提高了机器人操作的准确性和一致性。与现有基线相比，WARP在动作精度和轨迹一致性上均有显著提升，证明了其在全身移动操作中的有效性。
🎯 应用场景
WARP的研究成果在机器人操作、自动化制造和人机协作等领域具有广泛的应用潜力。通过实现从人类示范到机器人动作的直接转移，WARP能够提高机器人在复杂环境中的操作能力，减少对人工干预的依赖，推动智能机器人技术的发展。
📄 摘要（原文）
Direct transfer from human demonstration to learnable robot action is a crucial step towards scalable whole-body mobile manipulation. While human data scales better than mobile teleoperation, it requires overcoming significant embodiment gaps. Existing retargeting methods yield imprecise or inconsistent solutions, causing action multi-modality that prevents supervised policies from reliably converging. We present Whole-body-Aware Retargeting from human Pose (WARP), an offline pipeline that explicitly models embodiment differences to extract precise, unique whole-body actions. WARP leverages a closed-form Shoulder-Elbow-Wrist (SEW) geometric solver for exact end-effector tracking while preserving whole-body structural intent. Paired with lazy mobile-base control, it extracts accurate, consistent robot trajectories. Evaluations show WARP provides highly reliable data for open-loop real-world replay. To our knowledge, WARP is the first framework to achieve zero-shot whole-body mobile manipulation directly from offline human demonstrations, eliminating the need for human-in-the-loop teleoperation action data. More details on https://warp-retarget.github.io/