[논문 리뷰] SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization

Hanwen Wang, Qiayuan Liao외 4명|arXiv (Cornell University)|2026. 03. 12.

Human Motion and Animation인용 수 0

한 줄 요약

SPARK는 2단계 파이프라인을 제안합니다: (1) URDF 기반 골격 보정으로 인간 모션을 로봇 형상에 맞춤, (2) 점진적 운동역학 궤적 최적화를 통해 RL 기반 제어를 위한 역동적으로 실행 가능한 참조를 생성합니다.

ABSTRACT

Human motion provides rich priors for training general-purpose humanoid control policies, but raw demonstrations are often incompatible with a robot's kinematics and dynamics, limiting their direct use. We present a two-stage pipeline for generating natural and dynamically feasible motion references from task-space human data. First, we convert human motion into a unified robot description format (URDF)-based skeleton representation and calibrate it to the target humanoid's dimensions. By aligning the underlying skeleton structure rather than heuristically modifying task-space targets, this step significantly reduces inverse kinematics error and tuning effort. Second, we refine the retargeted trajectories through progressive kinodynamic trajectory optimization (TO), solved in three stages: kinematic TO, inverse dynamics, and full kinodynamic TO, each warm-started from the previous solution. The final result yields dynamically consistent state trajectories and joint torque profiles, providing high-quality references for learning-based controllers. Together, skeleton calibration and kinodynamic TO enable the generation of natural, physically consistent motion references across diverse humanoid platforms.

연구 동기 및 목표

• URDF 보정을 사용하여 골격 구조를 로봇 형상에 맞추어 인간 모션 데이터와 휴먼로봇 제어를 연결한다.
• 단계적 궤적 최적화를 통해 작업 공간 인간 데이터에서 고품질의 역동적으로 실행 가능한 모션 참조를 생성한다.
• RL 기반 모션 추적 및 학습 효율성을 향상시키기 위해 토크 프로파일과 상태 궤적을 제공한다.

제안 방법

• 작업 공간의 인간 모션을 URDF 기반의 인간 골격과 일반화 좌표 궤적으로 변환한다.
• 사지 및 몸통 세그먼트 전반의 휴식 자세 키프레임을 일치시켜 목표 로봇 치수에 맞춰 인간 URDF를 보정한다.
• 보정된 일반화 좌표를 로봇 정렬 URDF에 재생하여 로봇 일관된 작업 공간 참조를 얻음으로써 IK를 해결한다.
• 점진적 운동역학 궤적 최적화를 적용한다: 먼저 운동학 TO(KTO), 그다음 역역학(ID), 그리고 마지막으로 전체 운동역학 TO(KDTO)로 운동학적 및 동역학적 실행 가능성을 강제한다.
• KTO/ID/KDTO에서 IK 타겟을 추적하면서 점차적으로 동역학을 강제하기 위해 이전 단계 솔루션으로부터 초기화한다.
• 접촉, 충돌 및 렌치 제약을 강제하고 관절 한계 및 스윙-발 제약이 만족되도록 한다.

실험 결과

연구 질문

• RQ1 전통적인 루트-에서 키프레임 확장 방식과 비교하여 URDF 기반 골격 보정이 다양한 휴먼모형 플랫폼에서 역 IK 재타깃 정확성을 향상시킬 수 있는가?
• RQ2 점진적 운동역학 궤적 최적화(KTO -> ID -> KDTO)가 재타깃 모션의 역학적 실행 가능성과 토크 일관성을 어떻게 향상시키는가?
• RQ3 관절 토크 및 접촉 렌치 참조를 제공하는 것이 동적 휴머노이드 모션에 대한 RL 정책 학습을 가속화하는가?
• RQ4 URDF 보정이 IK 오차 지표 및 이후 RL 학습 데이터 품질에 미치는 영향은 무엇인가?
• RQ5 SPARK 파이프라인이 SMPL 기반 표현을 넘어 다양한 휴먼모형 형태와 모션 형식에 일반화될 수 있는가?

주요 결과

• URDF 보정은 다수의 휴머노이드 플랫폼에서 이전의 GMR 기반 재타깃링에 비해 IK 오차를 크게 감소시킨다.
• AMASS 데이터를 여러 로봇으로 재타깃할 때(예: Unitree G1, H1, T1, PM01, Kuavo 4Pro) 평균 몸통당 위치 오차(E_mpbpe)가 크게 감소한다.
• 단계형 운동역학 최적화 파이프라인은 인간 모션 참조로부터 동역학적으로 일관된 상태 궤적과 토크 프로파일을 생성한다.
• 생성된 참조는 RL 기반 추적을 풍부한 감독으로 촉진하여, 특히 사이드 플립과 같은 고도로 역동적인 모션에 유리하다.
• URDF 골격 보정으로 SMPL 형태 매개변수에 의존하지 않고도 암시적 골격을 가진 다양한 모션 형식에 프레임워크가 일반화된다.