Arxiv에 처음 보고된 휴머노이드 동작 리타게팅 기법은 키프레임과 선택된 신체 부위에 최적화 작업을 더 많이 배정한다. 이 기법은 물체 상호작용 작업에서 프레임마다 동일한 반복 횟수를 적용하는 방식의 한계를 겨냥한다. 실험 결과, 계산 비용은 더 낮으면서 기하학적 접촉 범위와 연속성은 개선됐으며, 생성된 참조 궤적을 사용하자 다양한 물체 상호작용 동작에서 후속 작업 완료율도 높아졌다.
동작 리타게팅은 사람의 시연을 전신 제어 및 이동 조작을 위한 참조 궤적으로 변환한다. 물체 상호작용 작업을 수행하려면 중요한 단계에서 신체와 물체 간 관계를 유지해야 하지만, 프레임마다 동일한 반복 횟수를 적용하는 방식은 정확도가 특히 필요한 구간을 고려하지 않는다.
Spatiotemporal Retargeting (STR)이라 불리는 이 기법은 시각-언어 모델을 사용해 관련 동작 신호와 신체 부위를 선택한다. 선택된 신호의 변화로 키프레임을 식별하고, STR은 해당 키프레임에 솔버 반복 횟수를 추가로 배정하며 선택된 신체 부위에는 더 높은 상호작용 가중치를 적용한다.
Mechanics-Aware Contact Anchoring (MCA)은 근사 물체 렌치 모델을 사용해 물체 표면의 접촉 위치를 보정하면서 선택된 표면 방향은 유지한다. 후속 제어를 위해 Spatiotemporal Reinforcement Learning (STRL)은 적응형 핵심 단계 샘플링과 목표물 근접도 및 물체 접촉력에 기반한 접촉 보상을 결합한다.
각 구성 요소는 기법의 서로 다른 부분을 담당한다. STR은 키프레임과 신체 부위 전반에 최적화 작업을 배분하고, MCA는 물체 표면의 접촉 위치를 보정한다.
Unitree G1을 대상으로 한 시뮬레이션 실험과 Unitree R1을 대상으로 한 실제 환경 실험에서 STR은 계산 비용을 낮추면서 기하학적 접촉 범위와 연속성을 개선했다. 생성된 참조 궤적은 다양한 물체 상호작용 동작에서 후속 작업 완료율을 높였다.