一项人形机器人动作重定向方法将更多优化计算分配给关键帧和选定的身体部位，相关研究首次发表于 Arxiv。该方法针对的是逐帧采用统一计算预算在物体交互任务中的局限。实验发现，它以更低的计算成本提升了几何接触覆盖度和连续性；由此生成的参考轨迹也提升了多种物体交互动作的下游任务完成率。
动作重定向会将人类示范转换为全身控制和移动操作的参考轨迹。在物体交互任务中，动作执行取决于能否在关键阶段保持身体与物体之间的关系，而统一的逐帧迭代预算无法满足这些局部精度要求。
该方法名为时空重定向（STR），通过视觉语言模型选择相关的动作信号和身体部位。所选信号的变化用于识别关键帧；STR 会为这些关键帧分配更多求解器迭代次数，并提高选定部位的交互权重。
力学感知接触锚定（MCA）利用近似物体力旋量模型优化物体表面的接触位置，同时保留选定的表面方向。在下游控制中，时空强化学习（STRL）结合自适应关键阶段采样，以及基于与目标的接近程度和物体接触力的接触奖励。
这些组件分别针对方法的不同环节：STR 将优化计算分配到关键帧和身体部位，MCA 则优化物体表面的接触位置。
在 Unitree G1 上进行的仿真实验，以及在 Unitree R1 上开展的真实环境实验均表明，STR 以更低的计算成本提升了几何接触覆盖度和连续性。由此生成的参考轨迹也提升了多种物体交互动作的下游任务完成率。