亞馬遜機器人團隊FAR（Frontier AI for Robotics）近期公布了其首個人形足式機器人研究成果——OmniRetarget，這款機器人憑借“盲眼”操作引發科技圈熱議。與傳統依賴視覺或雷達的機器人不同，OmniRetarget在無任何外部感知設備的情況下，完成了搬運9斤重椅子、攀爬1米高桌子、翻跟頭跳躍等復雜動作，甚至能流暢完成爬坡、搬箱子等任務。網友將其與特斯拉擎天柱對比，稱其功能“強10倍”。

OmniRetarget的核心突破在于實現了強化學習策略在復雜環境中的“移-操一體”（loco-manipulation）技能學習，并首次達成從仿真到人形機器人的零樣本遷移。這一成果依賴于其開源數據生成引擎，該引擎通過交互網格（interaction mesh）技術，將人類動作轉化為機器人可執行的高質量運動學參考。與傳統方法忽略人與環境交互不同，交互網格能精準建模機器人、物體和地形之間的空間與接觸關系，從而生成運動學可行的動作變體。

研究團隊介紹，交互網格是一個由機器人關節、物體采樣點及環境關鍵點構成的體積結構。通過德勞內四面體化（Delaunay tetrahedralization）構建網格后，算法會最小化源動作（人類示范）與目標動作（機器人動作）之間的拉普拉斯形變能，確保動作重定向時保留局部空間結構和接觸關系。例如，在搬運椅子時，網格會精確保持機器人手部與椅子的接觸點，同時調整身體姿態以適應不同高度或形狀的物體。

為提升數據多樣性，OmniRetarget通過參數化改變物體配置、地形特征等方式，將單個人類演示轉化為豐富數據集。例如，在機器人-物體交互中，系統會增強物體的空間位置和形狀，生成多樣化交互場景；在機器人-地形交互中，則通過調整平臺高度和深度，模擬不同地形條件。研究特別加入約束，防止機器人下半身隨物體簡單剛體變換，從而生成真正多樣化的動作。

在動力學實現層面，研究采用強化學習訓練低層策略，將運動學參考軌跡轉化為物理可執行動作。訓練時，機器人僅依賴本體感知（如關節速度、骨盆線速度）和參考軌跡作為先驗知識，無需直接感知場景信息。獎勵函數包含身體跟蹤、物體跟蹤、動作速率等五類指標，確保動作質量的同時提升泛化能力。實驗顯示，搭載OmniRetarget的宇樹G1機器人成功完成了持續30秒的多階段跑酷任務，動作精度與通用性均達行業領先水平。

與PHC、GMR等開源基線對比，OmniRetarget在運動學質量指標（如穿透、腳部打滑、接觸保留）上表現全面優于對手，下游強化學習策略成功率領先10%以上。即使在完整增強數據集上訓練，其成功率仍達79.1%，與僅使用標稱動作的82.2%接近，證明運動學增強可顯著擴大動作覆蓋范圍而不降低性能。

值得關注的是，OmniRetarget背后的Amazon FAR團隊成立僅七個多月，由華人學者段巖（Rocky Duan）領銜。該團隊前身為知名機器人公司Covariant，其創始人包括伯克利機器人學習實驗室主任Pieter Abbeel、Peter Chen等。去年8月，亞馬遜與Covariant達成技術許可協議，吸納其四分之一員工，并邀請Pieter Abbeel、Peter Chen和段巖加入。目前，段巖擔任FAR研究負責人，OmniRetarget的驚艷亮相標志著亞馬遜在人形機器人領域的首次突破。

參考鏈接：

[1]https://x.com/Thom_Wolf/status/1974774416815857779

[2]https://www.aboutamazon.com/news/company-news/amazon-covariant-ai-robots

[3]https://analyticsindiamag.com/ai-news-updates/amazon-forms-frontier-ai-robotics-team-to-revolutionise-automation/

[4]https://OmniRetarget.github.io/