Shooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion Retargeting
arXiv 论文（2608.03116v1）提出接触隐式直接仿真多重打靶（DSMS）框架，将运动学可行参考转换为动力学可行全身轨迹，在非线性规划中嵌入可微分模拟器，内部解决接触、摩擦、冲击、自碰撞和关节限制，无需预设接触计划。相比现有重定向方法，DSMS 加速了运动模仿 RL 训练，并在 Unitree G1 上通过命令条件接触丰富爬行和 180 度跳跃转身展示了零样本 sim-to-real 迁移。
Development
- First ReportShooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion RetargetingarXiv cs.RO
- Current Assessment该研究展示了从运动学重定向到动力学可行轨迹的转变，可能影响机器人运动生成和 RL 训练的工作流。对于人形机器人公司，如 Unitree，这提供了一种更高效的方法来生成可执行的运动策略，减少人工调整和试错成本。同时，可微分模拟器的使用可能促进仿真到现实迁移的可靠性，加速机器人技能的部署。Agent Pulse · analysis
arXiv 论文（2608.03116v1）提出接触隐式直接仿真多重打靶（DSMS）框架，用于动态运动重定向。该框架将运动学可行参考转换为动力学可行全身轨迹，通过在非线性规划中嵌入可微分模拟器，内部解决接触、摩擦、冲击、自碰撞和关节限制，无需预设接触计划或显式接触约束。与现有重定向方法相比，DSMS 加速了运动模仿 RL 训练，并产生高成功率和低跟踪误差的策略。在 Unitree G1 上，通过命令条件接触丰富爬行和高度动态的 180 度跳跃转身，展示了零样本 sim-to-real 迁移。
DSMS 的核心创新在于将可微分模拟器嵌入非线性规划，实现接触隐式优化，避免了传统方法中预设接触计划或显式接触约束的局限性。该方法通过直接模拟解决接触、摩擦、冲击等复杂动力学问题，生成动力学可行的轨迹，从而为 RL 提供更易学习的参考。这暗示了可微分模拟器在机器人运动生成中的潜力，可能推动更多基于优化的方法在接触丰富任务中的应用。
该研究展示了从运动学重定向到动力学可行轨迹的转变，可能影响机器人运动生成和 RL 训练的工作流。对于人形机器人公司，如 Unitree，这提供了一种更高效的方法来生成可执行的运动策略，减少人工调整和试错成本。同时，可微分模拟器的使用可能促进仿真到现实迁移的可靠性，加速机器人技能的部署。
对于机器人公司，DSMS 可以缩短运动策略的开发周期，降低对人工专家调参的依赖，提高策略的鲁棒性和迁移性。这有助于加速人形机器人在工业、服务等场景的落地，提升产品竞争力。对于仿真工具提供商，可微分模拟器的需求可能增加，带来新的商业机会。
未来，DSMS 框架可能扩展到更多接触丰富任务，如复杂操作或动态运动。可微分模拟器的进步可能使更多基于优化的方法在机器人领域得到应用。验证信号包括：DSMS 在其他机器人平台上的应用、与更多 RL 算法的集成，以及在实际任务中的长期稳定性评估。