亚马逊FAR团队OmniRetarget摘得ICRA 2026最佳会议论文，宇树G1成为关键验证平台

亚马逊旗下前沿AI与机器人团队（Frontier AI & Robotics，FAR）凭借一项把人类动作转化为人形机器人训练数据的方法，拿下全球规模最大的机器人学术会议的最高奖项。据项目主页和IEEE机器人与自动化学会（RAS）披露，论文OmniRetarget在6月1日至5日于奥地利维也纳举行的IEEE国际机器人与自动化会议（ICRA 2026）上，同时获得最佳会议论文奖和机器人操作与运动最佳论文奖。

论文共有9位作者。Lujie Yang、Xiaoyu Huang和Zhen Wu为共同第一作者，其余作者为Angjoo Kanazawa、Pieter Abbeel、Carmelo Sferrazza、C. Karen Liu、Rocky Duan和Guanya Shi。全部作者均署名亚马逊FAR，部分作者同时任职于麻省理工学院、加州大学伯克利分校、斯坦福大学和卡内基梅隆大学。论文于2025年9月30日首次发布在arXiv，2026年6月15日更新至第三版。

这项研究针对的是所有用强化学习训练人形机器人的团队都绕不开的瓶颈。行业通行做法是先用动作捕捉记录人体运动，再映射到机器人骨架上，作为控制策略的参考动作。作者指出，由于机器人的肢体长度、质量和关节限位都与人不同，传统重定向会产生脚底打滑、手部穿透物体等物理上不成立的伪影，同时丢失人与箱子、椅子、墙面之间的交互信息，而这些信息恰恰是移动操作的关键。

OmniRetarget的核心是交互网格。它把身体各点与周边物体和地形连接起来，记录相对位置和接触信息，再通过拉普拉斯形变把人体网格映射到机器人网格，同时施加运动学约束。论文摘要称，这样保留的是关系而不是姿态本身。IEEE RAS的文章补充说，一次人类示范可以据此扩展出物体尺寸、物体位置、地形高度乃至机器人本体不同的多种变体。

团队将该方法用于公开数据集OMOMO、LAFAN1以及自有动作捕捉数据，按论文所述生成了8小时以上的机器人轨迹，项目主页给出的数字为9小时以上。数据集已发布在Hugging Face，代码收录于亚马逊FAR的holosoma代码库，对比基线为业内常用的GMR和PHC两种重定向方法。

项目主页显示，基于这些数据训练的强化学习策略只用了5项奖励和4项域随机化，且完全依赖本体感知。在身高约1.3米的宇树G1上，策略从仿真零样本迁移到真实环境，完成了最长30秒的跑酷和移动操作序列，包括搬运箱子、登上平台、爬行、翻滚和蹬墙后空翻。

本届ICRA在11个奖项组别中共列出36篇入围论文。据各机构自行公布，德国斯图加特大学的多机器人木结构加工调度系统LASER于6月4日获得最佳学生论文奖；丰田芝加哥技术研究院（TTIC）、丰田研究院（TRI）和约翰斯霍普金斯大学合作的相机条件化模仿学习论文获得机器人学习最佳论文奖。

对中国产业而言，最值得关注的是验证平台。获奖论文的真机实验全部在宇树G1上完成，这说明国产人形机器人已成为海外顶尖实验室的默认研究硬件。另一方面，优必选、宇树、智元等国内整机企业都需要大量物理上可行的全身动作数据。波士顿动力在5月18日的博文中称，Atlas在GPU并行仿真中练习了数百万小时搬冰箱，随后在现实中搬起了超过100磅的负载，OmniRetarget解决的正是进入仿真之前的参考动作质量问题。

作者也坦承了局限。Lujie Yang在接受IEEE RAS采访时表示，该方法无法自动纠正源动作中的错误，例如动作捕捉中手的位置偏差。真机实验只覆盖一个平台，策略只用本体感知而不用视觉，意味着需要事先掌握场景几何信息。