- 解决**跨形态运动重定向(cross-morphology motion retargeting)** 中人类与机器人之间的**形态差异** (skeletal topology, limb proportions, degrees of freedom)问题
- 克服**配对运动数据稀缺** 的约束，实现无需配对数据的无监督迁移
- 研究背景：人机运动重定向对**遥操作(teleoperation)**、**模仿学习(imitation learning)** 和**人机交互(human-robot interaction)** 至关重要，但现有方法因形态鸿沟效果不佳
- 构建基于**CycleGAN** 的无监督框架，使用**骨架感知图卷积网络(skeleton-aware graph convolutional network)** 提取拓扑依赖的运动特征
- 引入**形态不变末端执行器一致性损失(morphology-invariant end-effector consistency loss)**，对齐归一化末端执行器轨迹以保留运动语义
- 施加**显式物理感知可行性约束(physics-aware feasibility constraints)**，强制重现源运动的接触模式，减少接触伪影
- **无监督跨形态迁移**：首次将**CycleGAN** 与**骨架感知图卷积** 结合，无需配对数据即可实现人类到人形机器人的运动重定向
- **形态不变性设计**：提出**末端执行器一致性损失**，通过归一化轨迹消除肢体比例差异，保持运动语义
- **物理可行性保障**：引入**接触模式约束** 显式提升运动的物理合理性，避免不真实接触和漂浮伪影
- 为**人形机器人运动重定向** 提供一种高效无监督范式，在**Unitree G1** 机器人上成功实现高保真运动迁移
- 在**下游可控性(downstream controllability)** 和**物理可行性(physical feasibility)** 上显著优于现有方法
- 减少对配对数据的依赖，推动遥操作和模仿学习的实际应用