重定向革命：运动重定向何以成为人形机器人智能的关键

副标题: 四篇范式革新论文如何重新定义人类动作到机器人行为的桥梁

摘要

长期以来，运动重定向（Motion Retargeting）——把人类动作捕捉数据映射到机器人身体上的过程——一直被当作一个不起眼的预处理环节。研究者写一个简单的逆运动学求解器，把人的骨架缩放到机器人的尺寸，剩下的瑕疵就交给强化学习策略去慢慢消化。然而，2025至2026年间发表的四篇论文彻底改变了这一看法。本文系统梳理了四种思路迥异的重定向方法：基于优化的 GMR、物理感知的 ReActor、保持交互关系的 OmniRetarget，以及基于学习的 NMR，并把它们放进由 18 篇相关文献构成的更大图景中加以审视。我们将看到，运动重定向已经从流程末端的配角，变成了人形机器人运动智能的根基：重定向做好了，后续每一步都更轻松；做差了，再多的强化学习也难以完全补救。

一、被忽视的瓶颈：运动重定向为何骤然成为焦点

人形机器人正在以前所未有的规模走进工厂、家庭和实验室。从 Unitree G1 到 Tesla Optimus，它们都需要掌握大量复杂的全身运动技能——行走、跑步、跳舞、搬运物体、攀爬。而获取这些技能最高效的途径之一，就是从人类演示中学习。

标准的处理流程是这样的：人类动作捕捉（MoCap）→ 运动重定向 → 强化学习跟踪策略训练 → 仿真到现实（Sim-to-Real）部署。在这条链路中，重定向是把人类 SMPL 骨骼动画转化为机器人关节指令的关键一环。

然而，传统重定向方法存在明显缺陷。PHC [Luo2023] 通过拟合 SMPL 模型再用梯度下降逆运动学（IK）求解；ProtoMotions 则采用全局轴向缩放加微分 IK。这些方法虽然简单，却会引入三类破坏性的伪影：

地面穿透（Ground Penetration）：机器人脚部陷入地面以下高达60厘米
自相交（Self-Penetration）：肢体穿模，腿部互相穿插
关节跳变（Joint Jumps）：关节值出现不连续的突然跳跃

以往的应对办法是"以工程量取胜"——靠大量的奖励函数设计（reward engineering）和域随机化（domain randomization），逼着下游强化学习策略硬生生学会补偿这些伪影。OmniH2O [He2024]、ExBody2 [Ji2025]、HOVER [He2025] 等先进系统都在不同程度上依赖这套做法。

GMR 的对照实验。 Araujo 等人 [Araujo2025] 借助 BeyondMimic 框架设计了一个干净的对照实验：他们刻意关掉奖励调参和域随机化，只更换重定向方法，再观察强化学习策略的表现。结果很说明问题：

在大多数日常动作上，各种重定向方法都能达到 98% 以上的成功率；
但在两段 2 分钟长的舞蹈序列上，PHC 的成功率直接跌到 0%（地面穿透深达 60 厘米），而 GMR 和 ProtoMotions 仍有 99–100%；
在 "Run (stop & go)" 动作上，PHC 只有 17–74% 的成功率，GMR 则达到 91–100%。

"我们的假设是，只要在奖励函数和域随机化上投入足够的工程，重定向带来的伪影大多可以被缓解甚至消除。然而一旦撤掉这些工程努力，重定向本身的质量就起决定性作用。" — [Araujo2025]

这个实验点明了一个关键事实：重定向质量是制约下游策略性能的首要瓶颈。正是这一发现，为后续几种新思路提供了出发点。

二、GMR: 优化与缩放的艺术

GMR Pipeline

图：GMR 的五步重定向流程 [Araujo2025]

GMR（General Motion Retargeting）[Araujo2025] 的核心贡献不在于提出全新的数学框架，而在于把优化这件事做到位。整个方法分为五步：

第一步：人体—机器人关键部位映射。 用户指定源人体骨骼与目标机器人骨骼之间的对应关系（躯干对躯干，头对头，手对手等）。

第二步：静止姿态对齐。 在零姿态（T-pose）下对齐人体与机器人的朝向，消除"内八脚"之类的伪影。

第三步：非均匀局部缩放（核心创新）。 这是 GMR 与其他方法最关键的差别。传统方法（PHC、ProtoMotions）采用全局均匀缩放，即把整副人体骨架按同一比例放大或缩小；GMR 则为每个身体部位赋予独立的缩放因子 $s_{b}$ ：

p_{b}^{target} = \frac{h}{h_{ref}} s_{b} (p_{j}^{source} - p_{root}^{source}) + \frac{h}{h_{ref}} s_{root} p_{root}^{source}

这里的关键设计是：根部平移采用统一缩放（ $s_{root}$ 作用于全局坐标），而各身体部位采用各自的缩放（ $s_{b}$ 作用于局部坐标）。这种"根部统一、四肢各异"的策略从源头上避免了脚部滑动——因为脚的落点由统一的根部缩放决定，不会再被上下半身的比例差异扭曲。

第四、五步：两阶段 IK 优化。 第一阶段（式 4）只优化末端执行器的位置和所有身体的朝向，避免约束过密而陷入局部极小；第二阶段（式 6）在第一阶段的解之上，加入所有关键部位的位置约束做精细调整。

PHC Ground Penetration
ProtoMotions Self-Intersection
GMR Joint Jumps

图：三种典型重定向伪影 [Araujo2025]：(a) PHC的地面穿透（"Dance 1"，左），(b) ProtoMotions的自相交（"Run (stop & go)"，中），(c) GMR的腰部关节跳变（"Dance 5"，右）

实验结果。 在 21 段测试序列上，GMR 的全局 MPBPE 中位数为 91.2 mm，接近闭源 Unitree 方案的 73.4 mm，明显优于 PHC 的 111.9 mm 和 ProtoMotions 的 101.9 mm。用户研究（N=20）也表明，GMR 在还原源动作方面胜过现有开源方案，已接近闭源方案的水准。

但 GMR 仍有局限。 它偶尔会产生关节跳变（"Dance 5" 的腰部问题使仿真到仿真的成功率只剩 51%），需要针对具体动作单独调整优化权重。更根本的是，它始终停留在纯运动学空间——忽略了物理约束、物体交互以及环境中的丰富信息。这就引出了下一种思路。

三、ReActor ：物理仿真参与的双层优化重定向

ReActor Bilevel Optimization

图：ReActor的双层优化框架 [Muller2026]

ReActor [Muller2026] 带来了一个大胆的视角转变：重定向就应该在物理模拟器内部完成。既然物理模拟器天生就能保证接触力、动力学和平衡的正确性，那为什么不在重定向阶段直接用上它，非要等到运动学优化之后再靠强化学习来补救呢？

双层优化框架。 ReActor 把重定向建模为一个双层优化（bilevel optimization）问题：

min_{p \in P} L (p, ϕ^{*} (p)) subject to ϕ^{*} (p) = \arg max_{ϕ} R (p, ϕ)

上层：优化重定向参数 $p$ （位置偏移、朝向修正、垂直偏移），使跟踪误差最小；
下层：用 PPO 训练强化学习策略 $π_{ϕ}$ ，在物理模拟器中跟踪参数化后的参考运动。

精妙之处：绕开隐式微分。 双层优化的计算瓶颈，在于下层最优解对上层参数的梯度 $\partial ϕ^{*} / \partial p$ 。ReActor 在这里做了一个大胆但有效的近似：

\partial_{g_{t}} s_{t}^{*} \approx α I, α \in [0, 1]

也就是假设：最优状态轨迹对参考运动变化的敏感度，可以近似为一个标量 $α$ 乘以单位矩阵。由此就能导出一个可直接计算的梯度估计：

{\tilde{d}}_{p} ℓ (g_{t} - s_{t}^{*}) = (1 - α) \partial_{g_{t}} ℓ d_{p} g_{t}

这个近似跳过了代价高昂的强化学习梯度回传，让整个双层优化变得切实可行。

稀疏对应。 用户只需在标准姿态（T-pose）下指定少量语义上的刚体对应关系——比如"头对头、手对手、脚对脚"。系统会自动算出全局缩放和标准变换，全程无需手动调参。

ReActor Parameterization

图：ReActor的重定向参数化 [Muller2026]

实验结果。 在整个 AMASS 数据集上，ReActor 做到了零地面穿透、零自相交（两种对比方法都或多或少存在伪影）。下游强化学习的成功率在 G1 上达到 97.45%、在 Lima 上达到 95.07%，均高于 GMR（89.93%、91.23%）和 OmniRetarget（95.51%、79.85%）。

更值得一提的是，ReActor 展示了跨形态重定向的能力：除了两款双足人形机器人（Unitree G1、Lima），它还成功把人类动作迁移到了四足机器人 ANYmal D 上，证明这种物理感知方法具有相当的普适性。

尚存的权衡。 外力惩罚权重的取值是一个根本性的取舍：物理约束越强，动作越真实，但高难度动作的成功率越低；约束越弱，成功率越高，物理合理性却越差。正如作者所说：

"最终，对物理上不可能的动作进行重定向仍然是一个不适定问题——我们不清楚机器人是否应该'走上虚拟楼梯'，还是重定向方法应该将动作投影到地面。" — [Muller2026]

四、OmniRetarget 保留交互关系的重定向

OmniRetarget Overview

图：OmniRetarget的交互网格重定向框架 [Yang2025]

GMR 和 ReActor 解决的是同一个问题——如何把身体动作从人类映射到机器人——但它们都遗漏了一个关键维度：世界不是空的。机器人要搬箱子、爬平台、在斜坡上行走。当一个人搬起重物时，身体姿态与物体之间存在密不可分的空间关系，而这些关系在传统重定向中被全部丢弃了。

OmniRetarget [Yang2025] 是第一个系统性解决这一问题的框架。

交互网格。 其核心思想是用 Delaunay 四面体剖分，把机器人身体的关节点、物体表面采样点和地形表面采样点连成一张三维体网格。这张交互网格（interaction mesh）编码了所有元素之间的空间与接触关系。

Laplacian 形变能量。 重定向问题由此被重新表述为：在满足硬约束的前提下，最小化源（人体）交互网格与目标（机器人）交互网格之间的 Laplacian 形变能量：

E_{L} = \sum_{p_{t, i}^{source} \in P_{t}^{source}, p_{t, i}^{target} \in P_{t}^{target}} ∥ L (p_{t, i}^{source}) - L (p_{t, i}^{target}) ∥^{2}

其中 $L (p_{t, i}) = p_{t, i} - \sum_{j \in N (i)} w_{i j} \cdot p_{t, j}$ 是每个顶点的 Laplacian 坐标——它衡量该点与其邻居加权平均之间的偏差，从而刻画局部空间关系。

硬约束保证。 与采用软惩罚的 VideoMimic 等方案不同，OmniRetarget 强制满足四类硬约束：

碰撞避免： $ϕ_{j} (q_{t}) \geq 0$
关节限位： $q_{min} \leq q_{t} \leq q_{max}$
速度限制： $ν_{min} \cdot d t \leq q_{t} - q_{t - 1} \leq ν_{max} \cdot d t$
足部粘滞： $p_{t}^{F} = p_{t - 1}^{F}$ （支撑脚位置不变）

每一帧都用序列二阶锥规划（SOCP）求解，配合信任域约束（ $∥ d q_{n} ∥_{2} \leq 0.2$ ），并以上一帧的解作为热启动。

数据增强：一次演示，生成海量数据。 这是 OmniRetarget 的另一项关键能力。只要在物体或地形的配置空间里改变设定、重新求解优化问题，单段人类演示就能衍生出数百个变体——不同的物体位置、朝向、尺寸，以及不同的地形高度。这直接缓解了人形机器人数据稀缺这一根本瓶颈。

OmniRetarget Hardware

图：OmniRetarget在真实Unitree G1上的硬件实验 [Yang2025]

实验结果。 OmniRetarget 生成了超过 8 小时的重定向轨迹（OMOMO 2.78h + LAFAN1 4.6h + 自采 MoCap 1h）。下游强化学习在"机器人—物体"任务上达到 82.20% 的成功率（PHC 为 71.28%、GMR 为 50.83%、VideoMimic 仅 3.85%），在"机器人—地形"任务上达到 94.73%（PHC 为 52.63%、GMR 为 78.94%）。

最令人印象深刻的是它的零样本仿真到现实迁移：在实体 Unitree G1 上，仅凭 5 个奖励项和纯本体感知输入，就完成了 30 秒的连续跑酷（搬椅子、爬平台、跳跃、翻滚、贴墙翻转）、搬箱子、攀爬 0.9 米高台（相当于机器人身高的 70%）等一系列复杂任务。

五、NMR：学习 or 优化 ?

NMR CEPR Pipeline

图：NMR 的 CEPR 数据构建流程 [Zhao2026]

前三篇论文都在想方设法优化重定向——或是在运动学空间里（GMR），或是在物理模拟器内（ReActor），或是在交互网格上（OmniRetarget）。NMR [Zhao2026] 则提出了一个更根本的质疑：如果问题恰恰出在"优化"本身呢？

理论突破：证明 Hessian 的非凸性。 NMR 对 GMR 这类优化目标做了严格的二阶分析。它把 SE(3) 上的姿态误差提升到李代数 $se (3) ≅ R^{6}$ ，再对 Hessian 矩阵做分解：

\nabla^{2} \tilde{f} (θ) = \underset{Gauss-Newton项，半正定}{\underset{⏟}{J_{ξ}^{⊤} W J_{ξ}}} + \underset{曲率修正项}{\underset{⏟}{\sum_{a = 1}^{6} (W ξ)_{a} \nabla^{2} ξ_{a}}}

其中的曲率修正项有两个互相独立的负曲率来源：(1) 前向运动学的曲率和(2) 对数映射的曲率。尤其是 SO(3) 左雅可比逆中的系数 $α (ϕ) = (ϕ / 2) / \tan (ϕ / 2)$ ，在 $ϕ \in (0, π)$ 上导数严格为负，这正是旋转部分非凸性的数学根源。据此可以证明（命题 1）：配置空间中存在某个方向 $u$ ，使得 $u^{⊤} \nabla^{2} \tilde{f} (θ) u < 0$ ——也就是说，传统重定向优化本质上就是非凸的，注定会陷入局部最优。

思路转变：从优化到学习。 NMR 的核心洞见是：把重定向从"逐帧求解状态优化"，重新定义为"在运动分布之间学习一个映射"。

CEPR 数据流程。 既然没有现成的标注数据，NMR 就自己造：

物理感知筛选：剔除原始 SMPL 数据中的异常动作（加加速度过大、质心不稳、足地接触不良）；
运动学重定向加过滤：先用 GMR 得到初始机器人动作，再用硬阈值过滤掉不合格样本（关节超速、自相交比例 >5%、平均足部离地 >10cm）；
聚类专家物理精修（Clustered-Expert Physics Refinement）：
- 用 TMR 训练的 VAE 把所有运动序列编码到隐空间；
- 用 K-Means 做语义聚类；
- 为每个聚类训练一个大规模并行的强化学习专家策略（PPO，16384 个并行环境，对称 Actor-Critic）；
- 策略收敛后采样回放，生成约 30,000 对经过物理校验的 (SMPL, 机器人) 数据对。

NMR Architecture

图：NMR 的 CNN-Transformer 网络架构 [Zhao2026]

网络架构。 NMR 采用非自回归的 CNN-Transformer：1D ResNet 编码器 + 全自注意力 Transformer（基于 LLaMA 架构改造，但用双向注意力代替因果注意力，让每一帧都能看到完整的时间上下文）+ 上采样解码器。训练分两阶段，遵循"先细节、后物理"的思路：先在大规模运动学数据上预训练以覆盖广泛动作，再在 CEPR 物理校验数据上微调以保证物理可行。

实验结果。 与 GMR 和 PHUMA 相比，NMR 取得了如下成绩：

零关节跳变（GMR 有 56 次，PHUMA 有 12 次）；
自碰撞减少 54%（431 帧，GMR 为 947 帧）；
关节超限减少 61%（16.80%，GMR 为 43.21%）；
在 82 段 AMASS 测试序列上，无论短、中、长序列，NMR 的跟踪成功率都是最高的；
以 NMR 的参考训练的下游强化学习策略收敛更快（回合更长、奖励更高）。

更难得的是，NMR 还能隐式地抑制上游 SMPL 估计带来的噪声——同样的噪声会被优化方法原样传递下去，而 NMR 在学习过程中把它过滤掉了。

六、四篇论文在领域版图中的位置

这四篇论文并不是各自孤立的突破，而是同一股潮流的不同侧面。下面我们把它们放到更广的文献背景中来看。

重定向的设计空间。 当前的方法大致可以沿两条轴来定位：

何时引入物理：纯运动学（GMR、OmniRetarget）→ 数据生成阶段（NMR、SPIDER）→ 重定向过程之中（ReActor、DynaRetarget）；
如何做决策：显式优化（GMR、OmniRetarget、ReActor）→ 学习映射（NMR、ImitationNet、AdaMorph）。

四篇核心论文恰好分布在这个设计空间的四个角落，呈现出互补而非竞争的格局。

趋同的迹象。 几处交叉引用和相互依赖值得留意：

NMR 在其 CEPR 流程的第二步，用 GMR 来做初始的运动学重定向；
ReActor 把 GMR 和 OmniRetarget 当作主要的对比基线；
四篇核心论文都以 Unitree G1 为目标平台；
OmniRetarget 的作者中也包含 GMR 的作者 C. Karen Liu。

这些联系说明，整个领域正在围绕一套共同的问题、平台和评测标准逐渐收拢——尽管真正统一的基准还没有建立起来。

规模之争。 数据规模正成为核心竞争力：

GMR：21 段序列，逐条重定向；
NMR：3 万对物理校验数据；
OmniRetarget：8 小时以上的重定向轨迹；
SPIDER [Pan2025]：240 万帧，覆盖 9 种机器人形态。

端到端视角。 重定向的进步直接带动了整条流程的发展：

OmniH2O [He2024] 确立了"以运动学姿态作为通用控制接口"的范式；
ExBody2 [Ji2025] 借助师生蒸馏，实现了表现力很强的全身控制；
HOVER [He2025] 把多种控制模式蒸馏进同一个策略——重定向后的运动正是其统一的中间表示；
ASAP [He2025] 的残差动作模型，直接受益于更高质量的重定向参考。

走向通用的雄心。 ReActor 的四足机器人实验、AdaMorph [Zhang2026] 支持 12 种形态的统一模型、SPIDER 覆盖 9 种形态，共同指向一个宏大的目标：通用运动重定向——用一个模型、一套框架，把任意人类动作映射到任意机器人身体上。

尚未补全的环节。 灵巧手的重定向（ByteDexter 是早期尝试）、多智能体交互的重定向、实时遥操作下的延迟约束——这些问题在当前的讨论中几乎还是空白。

七、仍待解答的问题

综合这四篇论文和相关文献，可以梳理出以下几个共同的研究空白：

1. 缺乏统一基准。 各篇论文用的数据集不同（LAFAN1、AMASS、OMOMO），机器人不同（虽然都说支持 G1，但运动学参数各异），评测指标也不同（成功率、MPBPE、关节跳变次数、穿透时长、用户研究）。这个领域亟需一套类似 ImageNet 或 GLUE 的标准化评测体系。

2. 跨形态泛化。 AdaMorph [Zhang2026] 开了个好头，但真正与形态无关的重定向——用一个模型同时应对人形机器人、四足机器人乃至机械臂——还远未实现。

3. 从带噪声的感知中重定向。 四篇核心论文都假设输入是干净的 MoCap 或 SMPL。如何从单目视频、深度传感器或带明显噪声和遮挡的 VR 姿态中做重定向，仍探索不足（OKAMI 和 Direct Dynamic Retargeting 是早期尝试）。

4. 灵巧手。 四篇核心论文要么把手当作刚体，要么干脆忽略。20 自由度灵巧手的重定向，几乎是一个独立的研究方向。

5. 实时性约束。 遥操作要求重定向以 30–120 Hz 运行。GMR 的逐帧 IK 速度快但只能串行；NMR 的神经网络可以并行但依赖 GPU。目前还没有论文系统评测过推理延迟。

6. 安全与故障恢复。 当重定向产生不可行甚至危险的动作时，会发生什么？目前没有论文讨论运行时的安全监控或平稳降级。

7. 长时漂移。 GMR 表明，伪影会在 2 分钟的舞蹈序列里不断累积，最终导致 PHC 彻底失败。还没有方法专门处理超长序列（5 分钟以上）的误差累积。

8. 理论基础。 NMR 的 Hessian 分析，是第一个解释"基于优化的重定向为何会失败"的理论结果。这个领域还需要更多理论工作：收敛性保证、学习方法的样本复杂度，以及对"重定向质量"的形式化定义。

9. 超出运动学的形态差异。 人和机器人在质量分布、执行器动力学和柔顺性上都有差异。ReActor 借助物理模拟部分解决了这一问题，但执行器层面的重定向（力矩曲线、阻抗）仍是空白。

八、重定向：从"配角"到"地基"

在 2025 到 2026 这短短两年里，运动重定向完成了一次身份转变——从工程上的预处理步骤，变成了运动智能的基石。

GMR [Araujo2025] 用严谨的实验证明，重定向质量是制约下游策略性能的首要瓶颈：做好了事半功倍，做差了事倍功半。ReActor [Muller2026] 把整个问题搬进物理模拟器，让物理可行性成为"水到渠成"的结果。OmniRetarget [Yang2025] 坚持认为世界不是空的——保持与物体、地形的交互关系，正是移动操作（loco-manipulation）的关键。NMR [Zhao2026] 则在理论上证明传统优化本质非凸，在实践上用学习取代了优化。

这四种思路并非互相排斥，而是彼此补充：NMR 用 GMR 的数据来初始化，ReActor 以 GMR 和 OmniRetarget 为对比基线，而所有方法都在同一平台上评测。由此不难推测：未来的系统很可能会把学习映射（NMR 的高效推理）、物理校验（ReActor 的可行性保证）和交互感知（OmniRetarget 的空间关系保持）结合到一起，并继续建立在 GMR 所提供的优化洞见之上。

随着人形机器人以前所未有的规模进入真实世界——走进工厂、仓库、医院和家庭——运动重定向的质量，将直接决定人机交互的质量。重定向不再是"把数据丢给强化学习"之前的预处理步骤，而是支撑起人形机器人运动智能的地基。

参考文献

[Araujo2025] Araujo, J. P., Ze, Y., Xu, P., Wu, J., & Liu, C. K. (2025). Retargeting Matters: General Motion Retargeting for Humanoid Motion Tracking. arXiv:2510.02252.

[Muller2026] Muller, D., Serifi, A., Christen, S., Grandia, R., Knoop, E., & Bacher, M. (2026). ReActor: Reinforcement Learning for Physics-Aware Motion Retargeting. ACM Trans. Graph. (SIGGRAPH 2026). arXiv:2605.06593.

[Yang2025] Yang, L., Huang, X., Wu, Z., Kanazawa, A., Abbeel, P., Sferrazza, C., Liu, C. K., Duan, R., & Shi, G. (2025). OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction. arXiv:2509.26633.

[Zhao2026] Zhao, Q., Yang, K., Wang, X., Zhao, S., Lu, Y., Zhang, X., Yin, W., Shen, Q., Long, X.-X., & Cao, X. (2026). Make Tracking Easy: Neural Motion Retargeting for Humanoid Whole-body Control. arXiv:2603.22201.

[Luo2023] Luo, Z., Cao, J., Kitani, K., & Xu, W. (2023). Perpetual Humanoid Control for Real-time Simulated Avatars. ICCV 2023.

[He2024] He, T., Luo, Z., He, X., Xiao, W., Zhang, C., Zhang, W., Kitani, K., Liu, C., & Shi, G. (2024). OmniH2O: Universal and Dexterous Human-to-Humanoid Whole-Body Teleoperation and Learning. CoRL 2024.

[Ji2025] Ji, M., Peng, X., Liu, F., Li, J., Yang, G., Cheng, X., & Wang, X. (2025). ExBody2: Advanced Expressive Humanoid Whole-Body Control. arXiv:2412.13196.

[He2025a] He, T., Xiao, W., Lin, T., Luo, Z., Xu, Z., Jiang, Z., Kautz, J., Liu, C., Shi, G., Wang, X., Fan, L., & Zhu, Y. (2025). HOVER: Versatile Neural Whole-Body Controller for Humanoid Robots. ICRA 2025.

[He2025b] He, T. et al. (2025). ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills. arXiv:2502.01143.

[Grandia2023] Grandia, R. et al. (2023). DOC: Differentiable Optimal Control for Retargeting.

[Zhang2026a] Zhang, H., Jin, S., Li, L., Li, J., Lin, L., He, X., & Zeng, Z. (2026). AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers. arXiv:2601.07284.

[Zhang2026b] Zhang, X., Haener, S. P., Madabushi, V., & Tucker, M. (2026). KDMR: Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization. arXiv:2603.09956.

[Pan2025] Pan, C. et al. (2025). SPIDER: Scalable Physics-Informed Dexterous Retargeting. arXiv:2511.09484.

[Dhedin2026] Dhedin, V. et al. (2026). DynaRetarget: Dynamically-Feasible Retargeting using Sampling-Based Trajectory Optimization. arXiv:2602.06827.

[Yan2023] Yan, Y., Mascaro, E. V., & Lee, D. (2023). ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space. IEEE-RAS Humanoids 2023.

[Fu2024] Fu, Z., Zhao, Q., Wu, Q., Wetzstein, G., & Finn, C. (2024). HumanPlus: Humanoid Shadowing and Imitation from Humans. arXiv:2406.10454.

[Wang2024] Wang, J. et al. (2024). OKAMI: Teaching Humanoid Robots Manipulation Skills through Single Video Imitation. CoRL 2024.

[Figuera2024] Figuera, X., Park, S., & Ahn, H. (2024). MR.HuBo: Redefining Data Pairing for Motion Retargeting Leveraging a Human Body Prior. IROS 2024.

[Roux2026] Roux, C. et al. (2026). Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos. arXiv:2605.23762.

[Lu2025] Lu, C. et al. (2025). Mobile-TeleVision: Predictive Motion Priors for Humanoid Whole-Body Control. ICRA 2025.

[Zhang2025] Zhang, H. et al. (2025). Natural Humanoid Robot Locomotion with Generative Motion Prior. arXiv:2503.09015.

[Chen2025] Chen, X. et al. (2025). Implicit Kinodynamic Motion Retargeting for Human-to-Humanoid Imitation Learning. arXiv:2509.15443.

摘要