Shooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion Retargeting

📄 arXiv: 2608.03116v1 📥 PDF

作者: Sergio A. Esteban, Jason H. K. Siu, Derrick Mach, Junheng Li, Vince Kurtz, Joel W. Burdick, Aaron D. Ames

分类: cs.RO, eess.SY

发布日期: 2026-08-04

备注: Project website with additional material: https://shooting-for-contact.github.io/

💡 一句话要点

提出接触隐式多重射击框架以解决动态运动重定向问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 运动重定向 动态仿真 接触处理 强化学习 机器人控制 多重射击 轨迹优化

📋 核心要点

  1. 现有的运动重定向方法往往忽视动态特性，导致生成的运动轨迹难以在实际应用中实现，尤其是在接触丰富的场景中。
  2. 本文提出的接触隐式直接仿真多重射击框架，通过内嵌可微分仿真器，解决了接触和动态约束问题，实现了运动学与动态的统一。
  3. 实验结果表明，DSMS显著加速了运动模仿的强化学习训练，并在Unitree G1上实现了零样本的仿真到现实转移，展示了其优越性。

📝 摘要（中文）

运动重定向方法通常优先考虑运动学相似性，而忽视整体动态、接触一致性和驱动限制，导致强化学习（RL）策略难以重现，尤其是在接触丰富的行为中。本文提出了一种接触隐式的直接仿真多重射击（DSMS）框架，将运动学可行的参考转化为动态可行的全身轨迹。通过在非线性程序中嵌入可微分仿真器，DSMS内部解决接触、摩擦、冲击、自碰撞和关节限制，同时在不规定接触时间表或引入显式接触约束的情况下，强制执行跟踪、驱动和任务约束。与现有重定向方法相比，DSMS加速了运动模仿RL训练，并产生了高成功率和低跟踪误差的策略。我们进一步展示了在Unitree G1上的零样本仿真到现实转移，通过命令条件的接触丰富爬行和高度动态的180度跳转转向。

🔬 方法详解

问题定义：本文旨在解决现有运动重定向方法在动态特性、接触一致性和驱动限制方面的不足，导致生成的运动轨迹难以在实际应用中实现，尤其是在接触丰富的场景中。

核心思路：提出接触隐式直接仿真多重射击（DSMS）框架，通过在非线性程序中嵌入可微分仿真器，内部处理接触、摩擦等动态约束，从而实现运动学与动态的统一。

技术框架：DSMS框架包括多个模块，首先生成运动学可行的参考轨迹，然后通过可微分仿真器进行动态优化，最后输出符合接触和任务约束的全身轨迹。

关键创新：DSMS的创新在于其接触隐式处理方式，避免了传统方法中对接触时间表的依赖，能够更灵活地应对复杂的动态环境。

关键设计：在设计中，采用了多种损失函数来平衡跟踪精度与动态约束，确保生成的轨迹既符合运动学要求，又满足动态可行性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DSMS框架在运动模仿强化学习训练中显著加速，成功率和跟踪精度均有显著提升。在Unitree G1上实现的零样本仿真到现实转移，展示了该方法在接触丰富场景中的有效性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其是在机器人运动控制、虚拟角色动画和人机交互等领域。通过提供动态可行的运动轨迹，能够提升机器人在复杂环境中的适应能力和执行效率，推动智能机器人技术的发展。

📄 摘要（原文）

Motion retargeting approaches often prioritize kinematic similarity over whole-body dynamics, contact consistency, and actuation limits, yielding references that are difficult for reinforcement learning (RL) policies to reproduce, particularly for contact-rich behaviors. We present a contact-implicit, direct simulation-based multiple shooting (DSMS) framework that transforms kinematically feasible references into dynamically feasible whole-body trajectories. By embedding a differentiable simulator within a nonlinear program, DSMS resolves contact, friction, impacts, self-collision, and joint limits internally while enforcing tracking, actuation, and task constraints without prescribing a contact schedule or introducing explicit contact constraints. Compared with existing retargeting methods, DSMS accelerates motion-imitation RL training and yields policies with high success rates and low tracking error. We further demonstrate zero-shot sim-to-real transfer on the Unitree G1 through command-conditioned contact-rich crawling and a highly dynamic 180-degree jump-turn.