[論文レビュー] Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization

Xiaoyu Zhang, Steven P Haener+2 more|arXiv (Cornell University)|Mar 10, 2026

Robotic Locomotion and Control被引用数 0

ひとこと要約

KDMRは人間からヒト形ロボットへのモーションリターゲティングを、動的妥当性と多接触制約を強制する地上反力(GRF)を組み込んだ2段階のkinodynamic最適化として定式化し、模倣学習リファレンスの向上を図る。

ABSTRACT

We present the KinoDynamic Motion Retargeting (KDMR) framework, a novel approach for humanoid locomotion that models the retargeting process as a multi-contact, whole-body trajectory optimization problem. Conventional kinematics-based retargeting methods rely solely on spatial motion capture (MoCap) data, inevitably introducing physically inconsistent artifacts, such as foot sliding and ground penetration, that severely degrade the performance of downstream imitation learning policies. To bridge this gap, KDMR extends beyond pure kinematics by explicitly enforcing rigid-body dynamics and contact complementarity constraints. Further, by integrating ground reaction force (GRF) measurements alongside MoCap data, our method automatically detects heel-toe contact events to accurately replicate complex human-like contact patterns. We evaluate KDMR against the state-of-the-art baseline, GMR, across three key dimensions: 1) the dynamic feasibility and smoothness of the retargeted motions, 2) the accuracy of GRF tracking compared to raw source data, and 3) the training efficiency and final performance of downstream control policies trained via the BeyondMimic framework. Experimental results demonstrate that KDMR significantly outperforms purely kinematic methods, yielding dynamically viable reference trajectories that accelerate policy convergence and enhance overall locomotion stability. Our end-to-end pipeline will be open-sourced upon publication.

研究の動機と目的

• 人間とヒューマノイドロボットの形態的ギャップを、モーションリターゲティングにおける動的妥当性の強制で埋める。
• ヒール-つま先接触イベントを検出し、人間らしい接触パターンを再現するために地面反力データを取り込む。
• 運動学的初期化とkinodynamicリファインメントを組み合わせた2段階最適化パイプラインを開発する。
• 接触補完性と摩擦制約が満たされるようにして、物理的に妥当な軌道を生成する。
• 下流の模倣学習ポリシーにおけるサンプル効率と歩行の安定性の改善を示す。

提案手法

• 2段階パイプライン：最初に運動学ベースのリターゲティングを行い、ロボットの初期参照軌道を取得する。
• 続くkinodynamic最適化を定式化し、全身ダイナミクスと多接触制約（ヒールおよびつま先接触を含む）を強制する。
• 時系列GRFデータを用いてヒール/つま先接触相を分解し、人間に対するロボットの質量比で力をスケールして現実的な接触力を再現する。
• 摩擦円錐制約を用いた摩擦ピラミッドを線形化して立脚を固定接触点としてモデル化する。
• トラジェクトリを台形積分で離散化し、追従誤差・平滑性・ソフト制約ペナルティを最小化する非線形計画問題を解く。
• CasADiをNLP定式化に、Pinocchioを効率的な剛体運動学/ダイナミクスに活用する。

Figure 2: Natural human walking, which we call multi-contact locomotion , is characterized by a heel-to-toe rolling motion. The diagram illustrates one complete gait cycle, beginning and ending with right heel strike.

実験結果

リサーチクエスチョン

• RQ1 GRF駆動の接触状態と多接触ダイナミクスを統合することで、人形ロボットにとって動的に妥当なリターゲティング動作を生み出せるか？
• RQ2 kinodynamicリターゲティングは、GMRのような純運動学的手法と比較して軌道の精度と滑らかさを改善するか？
• RQ3 改善されたリファレンス軌道は、下流の模倣学習ベースの歩行の効率とパフォーマンスにどう影響するか？

主な発見

• KDMRは地面浸入を減らしGRF追従を改善する、動的に妥当なリファレンス軌道を提供する。
• ヒール-つま先接触分解を組み込むことで、多接触歩行時により自然で人間らしい接触パターンを実現する。
• kinodynamicリターゲティングパイプラインはポリシー収束を速め、下流の模倣学習フレームワークにおける歩行の安定性を高める。
• 定量的比較において、基準GMRよりベース軌道と関節軌道の忠実度が向上し、動作が滑らかになることを示す。
• エンドツーエンドのパイプラインはオープンソース化を想定しており、関連研究での普及を促進する。

Figure 3: Algorithm overview: The KDMR algorithm converts time-series marker and ground reaction force data into joint position targets for the humanoid robot. This is accomplished in two steps: (1) Data Processing, which converts spatial marker trajectories and GRF data to human model poses and con