Geometry-Aware Humanoid Retargeting via Manifold ODEs

📄 arXiv: 2610.41349v1 📥 PDF

作者: Pengyu Zhu, Heye Wang, Xi Wang, Xuyang Wu, He Kong, Guodong Shi

分类: cs.RO

发布日期: 2026-10-30

💡 一句话要点

提出基于流形常微分方程的类人运动重定向方法

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting)

关键词: 运动重定向 类人机器人 常微分方程 KKT条件 切空间投影 流形学习 实时计算

📋 核心要点

  1. 现有的运动重定向方法如OmniRetarget在每帧需要进行多次SQP迭代，计算效率较低。
  2. 本文提出了一种基于ODE的视角，通过将KKT条件建模为流形上的ODE，简化了重定向过程。
  3. 实验结果显示，TaSP-KKT在重定向质量上与OmniRetarget相当，但运行速度提高了约两倍。

📝 摘要（中文）

本文关注于保持交互的运动重定向，旨在将人类示范转移到类人机器人，同时保持与物体和地形的空间关系。现有方法如OmniRetarget通过时间耦合的约束优化来解决此任务，但需要在每帧进行重复的序列二次规划（SQP）迭代。我们从常微分方程（ODE）的角度研究该问题，将其帧间Karush-Kuhn-Tucker（KKT）条件的连续时间极限建模为机器人配置流形上的ODE。这一视角带来了两个好处：一是将OmniRetarget的SQP迭代与ODE的向后离散化联系起来，二是提出了一种基于KKT流的前向离散化的新重定向方法TaSP-KKT。该方法在每一步仅需一次加权切空间投影和闭式流形更新，从而避免了重复的内部SQP迭代。数值实验表明，TaSP-KKT的重定向质量与OmniRetarget相当，且运行速度约为其两倍。

🔬 方法详解

问题定义：本文旨在解决类人机器人运动重定向中的空间关系保持问题。现有方法如OmniRetarget依赖于重复的SQP迭代，导致计算效率低下。

核心思路：我们从常微分方程的角度出发，将重定向问题的KKT条件视为流形上的ODE，通过这种方式简化了计算过程，并提出了新的TaSP-KKT方法。

技术框架：整体方法包括将KKT条件转化为ODE，利用向后离散化与前向离散化的结合来实现重定向。主要模块包括ODE建模、切空间投影和流形更新。

关键创新：最重要的创新在于将传统的SQP迭代与ODE的离散化相结合，提出了TaSP-KKT方法，避免了重复的SQP迭代，从而提高了计算效率。

关键设计：在方法实现中，采用了加权切空间投影和闭式流形更新，确保每一步的计算高效且准确。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果表明，TaSP-KKT在重定向质量上与OmniRetarget相当，尽管略低，但其运行速度提高了约两倍，显示出显著的性能优势。

🎯 应用场景

该研究的潜在应用领域包括机器人动画、虚拟现实和人机交互等场景。通过提高运动重定向的效率和质量，该方法能够在实时应用中提供更自然的运动表现，增强用户体验。

📄 摘要（原文）

In this paper, we focus on interaction-preserving motion retargeting, which transfers human demonstrations to humanoids while maintaining spatial relationships with objects and terrain. Previous work, such as OmniRetarget, addresses this task through temporally coupled constrained optimization, requiring repeated sequential quadratic programming (SQP) iterations at each frame. We study this problem from an ordinary differential equation (ODE) perspective by modeling the continuous-time limit of its framewise Karush-Kuhn-Tucker (KKT) conditions as an ODE on the robot configuration manifold. This viewpoint offers two benefits: (i) it connects OmniRetarget's SQP iterations to a backward discretization of the ODE, enabling us to establish their local convergence under suitable regularity assumptions; and (ii) it leads to TaSP-KKT (tangent-space parametrization for KKT flow), a new retargeting method based on a forward discretization of the KKT flow. The proposed method achieves the same first-order convergence to the ODE solution as the corresponding backward scheme while requiring only one weighted tangent-cone projection and a closed-form manifold update per step, thereby avoiding repeated inner SQP iterations. Numerical experiments show that TaSP-KKT achieves retargeting quality comparable to, though slightly lower than, that of OmniRetarget while running approximately twice as fast.