Unsupervised Neural Motion Retargeting for Humanoid Teleoperation

这项研究提出了一种使用基于GAN的在线运动重定向的人对人形机器人遥操作方法，无需构建成对数据集来确定人与机器人的运动关系。因此，可以预期我们提出的遥操作系统将降低通常与人形控制器相关的复杂度和设置要求，从而为没有机器人知识的用户开发更易于访问和直观的遥操作系统提供便利。实验证明了所提出的方法在将一系列上半身人类动作重定向到机器人方面的有效性，包括身体刺拳动作和篮球投篮动作。此外，通过测量人和重定向后的机器人运动之间的末端执行器位置误差来评估人在环中的遥操作性能。结果表明，误差与需要成对运动数据集的传统运动重定向方法相当。最后，进行了一个箱子拾取和放置任务，以展示开发的人形机器人遥操作系统的可用性。

本论文旨在提出一种基于GAN的在线运动重定向方法，以实现人与仿真人机器人之间的远程操控，同时减少构建成对数据集的需求，从而降低人形机器人控制器的复杂性和设置要求。

该论文提出的方法可以通过GAN技术实现在线运动重定向，从而避免了传统方法需要构建成对数据集的限制，使得远程操控更加直观和易用。

该论文通过实验验证了所提出方法的有效性，包括将各种上半身人类动作重定向到仿真人机器人，以及人在环路远程操控下的表现。同时，还进行了一个箱子拾取放置任务的演示。值得注意的是，该论文的方法可以降低人形机器人控制器的复杂性和设置要求，因此可以更轻松地实现远程操控。

近期在这个领域中，还有一些相关的研究，如《DeepMimic: Example-Guided Deep Reinforcement Learning of Physics-Based Character Skills》和《Learning Agile and Dynamic Motor Skills for Legged Robots》等。