GMR 工程实践笔记：把自己的机器人接入动作重定向流程

上一篇理论篇主要聊了 GMR 的方法逻辑：关键体匹配、默认姿态对齐、非均匀局部缩放，以及两阶段 IK。理论上看起来比较清楚，但真正接入自己的机器人时，重点并不是“能不能跑通脚本”，而是：如何配置出一套稳定、可复用、质量还不错的smplx_to_robot映射表。

本文主要记录一次将自定义机器人接入 GMR 的实践流程和调试经验，不深扒代码细节，重点放在工程配置和一些实际踩坑点上。

理论篇参考上一篇文章：传送门
GMR 项目主页：https://jaraujo98.github.io/retargeting_matters/
代码仓库：https://github.com/YanjieZe/GMR

一、第一次接入自定义机器人的基本流程

第一次给自己的机器人做重定向，大致流程如下：

1. 放入自己的机器人 URDF 2. 补齐需要参考的连杆点，例如手、头、脚趾等 3. 将 URDF 转为 XML / MJCF 格式 4. 创建对应机器人的 ik_configs 配置文件 5. 在脚本加载项中注册机器人名称和模型路径 6. 根据机器人结构修改 ik_configs，配置映射部位和比例 7. 在两张 IK match 表中配置映射关系、权重、位置偏移和旋转偏移 8. 选择几段代表性动作进行重定向 9. 观察动作质量和匹配误差 10. 根据结果调整权重、offset 和 scale

这里最麻烦的是第一次配置。只要机器人配置稳定下来，后续换新的动作数据时，流程会简单很多，基本就是放入动作、运行重定向、检查结果。

整体上，这也和论文中的流程是一致的：

1. 找到人体和机器人的对应部位 2. 调整默认姿态和方向 3. 调整缩放比例 4. 配置两阶段 IK 权重 5. 计算得到机器人动作

二、URDF 不一定够，需要补参考连杆

GMR 的匹配对象是人体骨架 body 和机器人 link。
所以有些机器人虽然模型能正常仿真，但未必有足够适合重定向的参考 link。

比较常见需要补的点包括：

head left_hand / right_hand left_toe / right_toe torso reference point

这些点不一定需要自由度，可以用 fixed joint 加到 URDF 里。它们的作用不是改变机器人运动能力，而是提供更明确的空间参考。

比如脚部，如果只有 ankle，没有 toe 或 foot 参考点，那么脚掌方向的约束会比较弱。对于步行、转身、跑步这类动作，脚掌方向其实非常关键。
一个G1的参考点示意图：

三、核心配置：smplx_to_robot映射表

GMR 配置里最重要的是人体骨架到机器人 link 的映射表。以 G1 的一段配置为例：

"left_knee_link":["left_knee",0,10,[0.0,0.0,0.0],[0.5,-0.5,-0.5,-0.5]],

这一项从上到下分别是：

机器人连杆 人体骨架部位 位置权重 旋转权重 xyz 位置偏移 wxyz 四元数旋转偏移

也就是：

这个表基本决定了机器人最终会“相信”人体骨架中的哪些点，以及相信到什么程度。

四、权重为 0，就是不跟踪

在 IK match 表中，权重非常直接。

如果某个部位的位置权重和旋转权重都设为 0，那么这个部位实际上就不会参与跟踪。比如把左手肘和左手腕权重都设为 0，可以看到机器人左臂基本保持 URDF 默认姿态，不会主动追踪人体动作。

左手肘和左手腕权重设为 0 后的重定向效果：

这点在调试时很有用。
不是所有人体关节都应该强行对齐，尤其是机器人没有对应自由度，或者 link 定义和人体差异较大时，高权重反而容易制造问题。

一个典型例子是 G1 的torso_link - spine3。即便两者空间位置相差比较大，只要位置权重设为 0，就不会对重定向结果产生强约束。

所以配置映射表时，不要只看有没有对应关系，更要看权重是否合理。

五、人体关节很多，但不需要全都对齐

可用的人体关节很多，例如：

body_joint_names=["Pelvis","Left_Hip","Right_Hip","Spine1","Left_Knee","Right_Knee","Spine2","Left_Ankle","Right_Ankle","Spine3","Left_Foot","Right_Foot","Neck","Left_Collar","Right_Collar","Head","Left_Shoulder","Right_Shoulder","Left_Elbow","Right_Elbow","Left_Wrist","Right_Wrist","Left_Hand","Right_Hand"]

但实际配置时，不建议一股脑全部高权重对齐。约束太多容易过拟合，表现出来可能是：

动作抖动 局部关节异常扭动 腿部或手臂姿态不自然 为了满足某个点导致整体姿态变形

我的理解是，映射选择应该优先考虑三个问题：

1. 机器人是否真的有这个部位？ 2. 这个部位对动作质量是否关键？ 3. 机器人是否有能力合理实现这个约束？

比如机器人没有头部自由度，却高权重跟踪Head的方向，可能会导致机器人通过扭腰或扭 torso 去代偿头部旋转，结果反而很怪。

脚部则相反，通常值得重点关注。因为脚部不仅影响动作像不像，还直接影响接触、落地和稳定性。

例如，实践中，使用foot作为脚部主要参考点，效果通常比只用ankle更好一些。

原因大概是：ankle更像一个点，而foot更能表达脚掌方向。虽然 ankle 到 foot 之间可能没有额外自由度，但 foot 的方向信息对步态很有帮助，尤其是转身、跑步、落脚这类动作。

也可以 foot 和 ankle 都用，但权重不要太激进。脚部约束过强时，腿部姿态也可能变僵。

只使用 ankle、只使用 foot的效果对比

六、四元数偏移：本质是坐标系对齐

四元数 offset 是调试中最容易困惑的部分。

比如常见的：

[0.5,-0.5,-0.5,-0.5]

它并不是经验玄学，而是在做坐标系对齐。
GMR 中四元数格式是wxyz，这一点要特别注意。

原始动作骨架的默认状态中，关节四元数基本都是：

[1,0,0,0]

但这只说明它在骨架自己的坐标系下没有旋转，并不代表它和机器人 link 的局部坐标系一致。

观察原始骨架可以看到，它可能是面朝上躺平的大字形态，且轴系大致表现为：

z 轴朝身体前方 y 轴垂直身体 x 轴朝身体侧方

[1, 0, 0, 0]应用[0.5, -0.5, -0.5, -0.5]后，可以看到原本朝前的 z 轴被旋到 x 轴方向，原本朝左的 x 轴被旋到 y 轴方向，这样更接近常见机器人模型的 link 坐标定义。

这里最重要的原则是：

四元数 offset 不是为了让某一帧动作看起来顺眼，而是为了在默认姿态下对齐机器人 link 的局部坐标系。

虽然[0.5, -0.5, -0.5, -0.5]在很多位置上有效，但不是所有 link 都适用。

比如 G1 的 hip 部位使用的是right_hip_roll_link，它的局部轴系并不和 torso 保持一致，所以需要单独配置：

"right_hip_roll_link":["right_hip",0,10,[0.0,0.0,0.0],[0.4267755048530407,-0.5637931078484661,-0.5637931078484661,-0.4267755048530407]],

hip 使用特殊offset 后的效果:

可以发现，这套偏移是更符合机器人的坐标系设定的，这说明 offset 要看机器人 link 自己的坐标系，而不是无脑都套用同一套偏移。

手臂也类似。人体骨架通常是大字型姿态，而机器人默认一般是垂手姿态，G1 的手肘还带有一定弯曲。因此肩部配置会使用类似：

"left_shoulder_yaw_link":["left_shoulder",0,10,[0.0,0.0,0.0],[0.70710678,0.0,-0.70710678,0.0]],

在这个配置下，如果把机器人 shoulder roll 调到 90°，让手臂打直，会发现这个偏移量和机器人坐标系是匹配的，包括后续的小臂和手部也同理。

不过这里还有一个我暂时没有完全确认的问题：目前这种“手动旋转机器人后再观察匹配”的方式，更像是一个工程辅助验证方法，而不一定是严格的代码设计逻辑。仓库中并没有明确说明需要先旋转机器人再匹配，因此这里还需要继续研究坐标变换的真实顺序。

七、xyz offset 和 scale：直观，但最费时间

相比四元数，xyz offset 和 scale 更直观，但更依赖具体机器人和动作数据。

影响因素包括：

人体骨架身高和比例 机器人腿长、臂长、躯干比例 机器人 link 原点定义 foot / ankle / toe 的选择 不同动作库的骨架差异 root 缩放比例

目前比较有效的方法还是构建可视化脚本，反复观察：

原始人体骨架 偏移后的目标骨架 机器人 FK 后的实际 link 关键点位置误差 关键点旋转误差

对于一些怎么都对不齐的点，不建议死磕。可以降低位置权重，保留旋转约束，或者干脆弱化这个部位。

本质上，GMR 不是要让每个点都完美贴合，而是要让关键部位合理贴合。

原始动作骨架、未偏移结果、偏移后结果（但骨架保留原始效果以便表达区别）三图对比：

八、两阶段 IK：表一粗对齐，表二细对齐

GMR 中通常会有两张 IK match 表，对应两阶段 IK。

第一阶段主要是粗对齐。重点是：

root / pelvis 方向位置合理 torso 方向合理 双足位置合理 主要 end-effector 大致到位 其他关节旋转方向不要太离谱

第一阶段的目标不是精修动作，而是得到一个比较稳定的初始姿态。
如果第一阶段已经跑偏，第二阶段很容易在错误姿态附近继续优化。

第二阶段是细对齐。一般会加入更多 key body，并适当提高部分旋转或位置约束，让动作更贴近源动作。

可以简单理解为：

表一：先把机器人摆对 表二：再把动作修细

所以两张表不要配置成完全一样。
表一应该抓重点，表二可以更细，但也不能过度激进。否则动作细节可能更像了，但抖动、自碰撞和关节突变也更容易出现。

其他补充

不同数据格式骨架

左边是smplx右边是bvh，数据细节来看，不经映射的位置要调整，并且坐标轴也是需要彻底重新调整。

个人调试经验

整理一些目前比较有用的经验：

1. foot 通常比 ankle 更适合作为脚部主约束

foot 对脚掌方向更敏感，步行和转身效果会更好。ankle 可以辅助，但单独用 ankle 时脚掌方向约束偏弱。

2. 没有自由度的部位，权重要低

比如没有头部自由度，就不要高权重跟踪Head的方向。否则机器人可能通过 torso 或腰部去代偿，动作会变得很奇怪。

3. 不同动作库可能需要不同 scale 或 offset

不同动作库的骨架定义、身高比例、坐标系和帧率都可能不同。不要默认一套参数可以适配所有来源的数据。

4. 不要只用一个动作验证配置

一个动作调得很好，不代表配置稳定。建议在同一个动作库/作者下，至少准备几类动作：

普通步行 转身 跑步 上肢动作 大幅度动态动作

多动作都能接受，配置才比较可信。

十、几个待研究问题

目前还有一些问题没有完全搞清楚，后续值得继续看。

1. 权重和 scale 的影响能否量化？

现在调参主要依赖观察和枚举，成本比较高。后面可以考虑引入一些自动指标：

key body position error rotation error foot sliding ground penetration self-intersection joint velocity spike

如果这些指标能自动统计，调参效率会高很多。

2. 其他动作格式效果如何？

目前主要关注现有仓库主力支持的smplx格式数据。对于遥操数据、视频恢复动作、其他 mocap 格式，还需要单独测试。

3. 动作频率对训练效果有什么影响？

GMR 脚本里写死了 30 fps，而宇树官方动作数据可能是 50 Hz，bymimic仓库里则是区分了高频低频的训练环境。这里需要继续确认：

retarget 后是否需要插值？ 频率变化如何影响 tracking 效果？

这个问题对后续训练很关键。

4. 是否需要为每个动作库单独配置 scale？

不同动作库录制者体型、骨架标准可能不同。理论上可能需要不同 scale，但也可能动作数据内部已经做了统一标准化。这个需要更多动作源验证。

5. table2 里的rot_offset是否真的生效？

代码分析时发现，第二阶段表里的rot_offset似乎没有被实际套用。这里还不能确定是论文设计如此，还是代码实现遗漏。

十一、SMPL-X 到机器人动作重定向工程流程

最后，我们再快速过一下重定向过程中都干了什么。

输入数据

输入是一个 SMPL-X 动作.npz文件，通常来自 AMASS/OMOMO 等数据集。脚本主要使用其中的：

• pose_body: 每帧身体关节轴角姿态，形状通常为(N, 63)。
• root_orient: 每帧根节点全局朝向，形状为(N, 3)。
• trans: 每帧根节点全局平移，形状为(N, 3)。
• betas: 人体形状参数。
• gender: SMPL-X body model 性别选择。
• mocap_frame_rate: 原始动作帧率。

这些参数本身还不是“骨架点位序列”，而是 SMPL-X 参数化人体模型的输入。

SMPL-X 前向计算

load_smplx_file()会根据输入文件中的gender和betas创建 SMPL-X body model，并把root_orient、pose_body、trans输入模型，得到每一帧的人体关节位置和完整姿态。

之后get_smplx_data_offline_fast()将 SMPL-X 输出整理成重定向系统使用的格式：

{"pelvis":(position,quaternion),"left_hip":(position,quaternion),"left_knee":(position,quaternion),...}

其中四元数格式为[w, x, y, z]。这个阶段也会根据目标帧率进行时间对齐或重采样，并返回实际使用的aligned_fps。

逐帧重定向

脚本逐帧取出 SMPL-X 处理后的人体数据：

smplx_data=smplx_data_frames[i]qpos=retarget.retarget(smplx_data)

retarget()内部主要做几件事：

1. 将人体骨架按目标机器人尺度进行缩放。
2. 对人体匹配点应用位置偏移和旋转偏移。
3. 将处理后的人体点位和朝向设置为 IK 任务目标。
4. 使用mink.solve_ik()求解机器人当前帧的qpos。

返回的qpos是 MuJoCo 机器人状态，通常包含：

• qpos[:3]: 机器人根节点位置。
• qpos[3:7]: 机器人根节点四元数，格式为[w, x, y, z]。
• qpos[7:]: 机器人各关节角度。

输出数据

最后脚本会把所有帧的机器人动作保存为.pkl。输出结构如下：

{"fps":aligned_fps,"root_pos":root_pos,"root_rot":root_rot,"dof_pos":dof_pos,"local_body_pos":None,"link_body_list":None,}

其中：

• root_pos:(T, 3)，机器人根节点位置。
• root_rot:(T, 4)，机器人根节点四元数。保存时会从 MuJoCo 的[w, x, y, z]转为[x, y, z, w]。
• dof_pos:(T, robot_dof)，机器人关节位置序列。
• fps: 动作播放帧率。

这里的dof_pos是关节角，单位为 rad。以 G1 29DoF 为例，dof_pos的形状是(T, 29)，每一帧包含 29 个关节角，列顺序由机器人 XML 中的 joint 顺序决定。

这个.pkl就是后续播放、训练或进一步转换的机器人动作数据。

技术要点

• SMPL-X 负责从参数化人体动作恢复人体关节位置和朝向。
• MuJoCo 提供目标机器人运动学模型。
• mink将人体目标点和机器人 link 之间的匹配关系转化为 IK 优化问题。
• IK 配置负责定义人体部位到机器人 link 的映射、权重、缩放和坐标系校准。
• 输出结果不是力控或轨迹控制命令，而是逐帧机器人运动学状态。

整体流程可以概括为：

SMPL-X .npz -> SMPL-X body model 前向计算 -> 人体关节位置/姿态序列 -> 缩放与坐标系校准 -> 机器人 IK 求解 -> 机器人 root + joint motion -> .pkl 动作文件

总结

把自己的机器人接入 GMR，核心工作不是跑脚本，而是配置好smplx_to_robot映射表。

这张表里最重要的是：

映射哪个机器人 link 参考哪个人体 body 位置权重是多少 旋转权重是多少 xyz offset 如何设置 quaternion offset 如何设置

其中，映射关系决定机器人“看哪里”，权重决定机器人“有多在意”，offset 和 scale 决定人体动作目标是否真的适合当前机器人。

我的整体感受是，GMR 的工程配置本质上是在做一次折中：
既不能让机器人完全无视人体动作，也不能让它死追所有人体关节。比较好的结果通常来自合理取舍：关键部位强约束，非关键部位弱约束；可实现的部位认真跟踪，不可实现的部位适当放过。

当这套配置稳定之后，GMR 就会变成一个比较实用的动作数据生产工具。对于后续 motion tracking、模仿学习或者遥操作数据处理来说，前面这一步调得越稳，后面的训练就越省心。