亞馬遜機器人團隊FAR（Frontier AI for Robotics）近期發布了一項名為OmniRetarget的人形機器人研究成果，引發業界廣泛關注。該系統實現了強化學習策略在復雜環境中的長時程“移-操一體”技能學習，并成功將仿真訓練成果零樣本遷移至實體機器人。

與傳統依賴視覺傳感器的機器人不同，此次展示的足式機器人完全通過算法驅動，在無攝像頭、雷達等感知設備的情況下，完成了搬動4.5公斤重物、攀爬1米高臺、后空翻下落等高難度動作。實驗視頻顯示，該機器人不僅能流暢完成跑酷動作，還可執行搬運箱體、跨越斜坡等實用任務。

技術核心在于創新的交互網格建模方法。研究團隊構建了包含機器人關節、物體接觸點及環境特征的體積結構，通過德勞內四面體化處理保持空間關系。算法每幀求解約束非凸優化問題，在滿足碰撞避免、關節限制等硬約束的同時，最小化拉普拉斯形變能以保留人類示范動作的空間結構。

數據增強策略突破性地實現了單演示多場景應用。通過參數化調整物體位置、形狀及地形特征，系統將單個人類動作示范轉化為多樣化數據集。在機器人-物體交互場景中，算法固定下半身軌跡確保穩定性，同時允許上半身探索新協調模式；面對地形變化時，通過調整平臺高度深度并引入額外約束生成新場景。

強化學習層采用分層控制架構，底層策略將運動學參考軌跡轉化為物理可行動作。訓練過程僅依賴本體感知數據，包括骨盆線速度、關節位置等五類獎勵信號，結合領域隨機化技術提升泛化能力。實驗表明，該方法在保持82.2%基準成功率的同時，通過運動學增強將動作覆蓋范圍擴大79.1%。

對比測試顯示，OmniRetarget在穿透深度、足部滑動等關鍵指標上全面優于PHC、GMR等開源基線。下游策略評估中，其生成的參考動作使任務成功率提升超10%，且在搬箱、攀爬等不同任務中表現穩定。特別在30秒復雜跑酷任務中，機器人精確完成了多階段動作銜接。

該成果出自成立僅七個月的Amazon FAR團隊，其核心成員源自機器人技術公司Covariant。這個由伯克利機器人學習實驗室主任Pieter Abbeel領銜的團隊，包含其弟子Rocky Duan、Tianhao Zhang等知名學者。去年八月，亞馬遜通過技術許可和人才吸納方式完成團隊整合，目前由Rocky Duan擔任研究負責人。

實驗采用OMOMO、LAFAN1等公開數據集驗證，在物體操作精度、地形適應能力等方面取得突破性進展。這種基于交互網格的動作重定向技術，為足式機器人在復雜環境中的自主作業提供了新范式，其高效的數據增強機制更顯著降低了實體訓練成本。