美國亞馬遜FAR聯合麻省理工學院、加州大學伯克利分校、斯坦福大學及卡內基梅隆大學等頂尖科研團隊，近日共同發布了一項名為OmniRetarget的突破性技術。該系統基于交互網格架構，通過保留智能體、環境地形及操作對象間的空間交互關系，可生成符合運動學規律的機器人動作軌跡。
在最新公布的演示視頻中，宇樹科技G1人形機器人展現了驚人的運動能力。該機器人僅依靠本體感覺反饋系統（無需視覺或激光雷達輔助），便完成了攜帶椅子攀爬桌面、跳躍落地后執行翻滾緩沖等復雜連續動作。研究團隊特別強調，這些動作序列均通過OmniRetarget引擎自動生成，無需人工預設軌跡。
技術核心在于其獨特的交互保留機制。系統通過構建三維網格模型，精確捕捉機器人肢體、接觸面及操作物體的空間位置關系。在軌跡生成過程中，算法會同步優化拉普拉斯變形參數與運動學約束條件，確保生成的每個動作既符合物理規律，又能保持與環境的自然交互。經多數據集驗證，該方法生成的軌跡在接觸穩定性與運動可行性方面顯著優于傳統基線模型。
實驗數據顯示，基于該技術訓練的本體感覺強化學習策略，僅使用5個基礎獎勵函數和簡單領域隨機化方法，便使G1機器人成功掌握了長達30秒的連續跑酷技能。研究團隊特別指出，這種訓練方式無需設計復雜課程，所有任務均通過共享參數實現跨場景遷移。
目前公開的演示案例涵蓋多種復雜場景：機器人可自主選擇翻滾、匍匐等不同方式穿越障礙，也能以8種差異化動作模式完成箱子搬運任務。研究團隊已同步發布論文全文與訓練數據集，代碼庫將于近期開源，相關技術文檔可通過指定研究頁面獲取。
