[论文解读] SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization

Hanwen Wang, Qiayuan Liao+4 more|arXiv (Cornell University)|Mar 12, 2026

Human Motion and Animation被引用 0

一句话总结

SPARK 提出一个两阶段管线：(1) 基于 URDF 的骨架校准以将人体运动与机器人形态对齐，(2) 渐进式运动-动力学轨迹优化以为基于强化学习的控制提供动态可行的参考。

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.

研究动机与目标

• 通过使用 URDF 校准将骨架结构与机器人形态对齐，连接人体运动数据和人形控制。
• 通过分阶段的轨迹优化从任务空间的人体数据生成高质量、动态可行的运动参考。
• 提供扭矩曲线和状态轨迹，以提升基于 RL 的运动跟踪和学习效率。

提出的方法

• 将任务空间的人体运动转换为基于 URDF 的人体骨架和广义坐标轨迹。
• 通过在四肢和身体分段处对齐静止姿态关键帧，将人体 URDF 校准至目标机器人尺度。
• 通过在机器人对齐的 URDF 上回放校准后的广义坐标来解决逆向运动学，获得与机器人一致的任务空间参考。
• 应用渐进式运动-动力学轨迹优化：先进行运动学轨迹优化（KTO），再进行逆动力学（ID），最后进行完整的运动-动力学轨迹优化（KDTO），以强制实现运动学与动力学的可行性。
• 在 KTO/ID/KDTO 中，从前一阶段解出发初始化，以在跟踪 IK 目标的同时逐步强化动力学。
• 强制实现接触、碰撞和力矩约束（包括接触力矩圆锥），并确保关节极限及摆动脚约束得以满足。

实验结果

研究问题

• RQ1 相比传统的从根部到关键帧缩放方法，基于 URDF 的骨架标定是否能在多种人形平台上提升逆向运动学再定向的准确性？
• RQ2 渐进式的运动-动力学轨迹优化（KTO -> ID -> KDTO）如何提升再定向运动的动态可行性与扭矩一致性？
• RQ3 提供关节扭矩和接触力矩参考是否能加速对动态人形运动的强化学习策略学习？
• RQ4 URDF 校准对 IK 误差指标和随后的 RL 训练数据质量有何影响？
• RQ5 SPARK 流程是否能泛化到多样的人形形态和超出 SMPL 表示的其他运动格式？

主要发现

• 与先前基于 GMR 的再定向相比，URDF 校准显著降低了多个人形平台上的 IK 误差。
• 在将 AMASS 数据再定向到若干机器人（例如 Unitree G1、H1、T1、PM01、Kuavo 4Pro）时，方法产生了平均每体位置误差（E_mpbpe）的显著降低。
• 分阶段的运动-动力学优化管线能够从人体运动参考中产生动态一致的状态轨迹和扭矩曲线。
• 所生成的参考为 RL 基于跟踪提供比纯运动学再定向更丰富的监督，特别是对于诸如侧翻等高度动态的动作。
• 该框架在具有隐式骨架的多样化运动格式上具有泛化性，通过标定一个 URDF 骨架而非依赖于 SMPL 形状参数实现。