LAFAN1 Retargeting Dataset

为了使类人机器人的动作更加自然，我们将LAFAN1动作捕捉数据重新定位到Unitree的类人机器人上，支持H1、H1_2和G1三种模型。这种重新定位是通过基于交互网格和IK的数值优化实现的，考虑了末端执行器姿势约束以及关节位置和速度约束，以防止脚滑动。需要注意的是，重新定位仅考虑了运动学约束，不包括动态约束或执行器限制。因此，机器人无法完美执行重新定位的轨迹。

To make the movements of humanoid robots more natural, we performed motion retargeting of the LAFAN1 motion capture data onto Unitree humanoid robots, supporting three models: H1, H1_2, and G1. This retargeting is implemented via numerical optimization based on interaction meshes and inverse kinematics (IK), which takes into account end-effector pose constraints as well as joint position and velocity constraints to prevent foot sliding. It should be noted that the retargeting only considers kinematic constraints, and does not include dynamic constraints or actuator limits. Therefore, the robot cannot perfectly execute the retargeted trajectories.

原始信息汇总

LAFAN1 Retargeting Dataset 概述

1. 数据集背景

• 目的：为人形机器人提供更自然的运动轨迹
• 原始数据来源：LAFAN1运动捕捉数据
• 目标机器人平台：Unitree人形机器人
• 支持机型：H1、H1_2、G1

2. 重定向方法

• 基于Interaction Mesh和IK的数值优化
• 考虑因素：
  • 末端执行器姿态约束
  • 关节位置和速度约束
  • 防止足部滑动
• 限制：未考虑动态约束和执行器限制

3. 数据格式

3.1 CSV格式

• 帧率：30FPS
• 记录内容：每帧对应的人形机器人所有关节配置
• 关节顺序：
  • G1：包含35个关节配置
  • H1_2：包含27个关节配置
  • H1：包含20个关节配置

3.2 PKL格式

• 转换工具：cvs_to_pkl.py
• 数据结构： python { "root_trans_offset": root_trans_all.cpu().detach().numpy(), "pose_aa": pose_aa.squeeze().cpu().detach().numpy(),
  "dof": dof_pos_all.detach().cpu().numpy(), "root_rot": root_rot_all.cpu().numpy(), "fps": 30 }

4. 可视化方法

4.1 环境配置

• Python版本：3.8
• 依赖：
  • Isaac Gym Preview 3
  • torch
  • numpy
  • argparse

4.2 运行命令

sh python issacgym_visualize.py --file_name dance1_subject2 --robot_type g1

• 可选robot_type：g1、h1、h2

5. 数据转换

• 当前仅支持G1机型数据转换
• 输出路径：pkl_data/

搜集汇总

数据集介绍

构建方式

在仿人机器人运动自然化研究领域，LAFAN1 Retargeting Dataset通过创新性的运动重定向技术构建而成。该数据集以Ubisoft的LAFAN1动捕数据为源，采用基于Interaction Mesh和逆向运动学的数值优化方法，针对Unitree H1、H1_2和G1三款仿人机器人模型进行运动轨迹适配。构建过程综合考虑末端执行器位姿约束、关节位置及速度限制等运动学参数，有效避免了足部滑动现象，但未涉及动力学约束与执行器限制的建模。

使用方法

研究人员可通过模块化流程快速开展应用研究。数据集提供Isaac Gym可视化工具链，用户需配置Python 3.8环境并安装指定版本的Isaac Gym预览版。通过命令行参数可灵活选择机器人模型（g1/h1/h2）和运动序列，实时渲染重定向后的运动轨迹。此外，配套的格式转换脚本支持将CSV数据转为PKL格式，便于与ASAP等先进策略训练框架对接，但需注意当前版本仅默认支持G1模型的数据转换。

背景与挑战

背景概述

LAFAN1 Retargeting Dataset源于人形机器人运动自然化的研究需求，由Ubisoft LaForge动画数据集与Unitree机器人平台联合开发。该数据集通过将LAFAN1运动捕捉数据重定向至Unitree H1、H1_2和G1三款人形机器人，采用基于交互网格和逆向动力学的数值优化方法，解决了运动重定向中的末端执行器位姿约束、关节位置与速度约束等关键问题。其创新性在于首次实现了大规模人体运动数据向多型号商业机器人的跨平台迁移，为人形机器人运动规划研究提供了标准化基准。

当前挑战

该数据集面临双重技术挑战：在领域层面，运动重定向需克服人体与机器人形态差异导致的动力学约束缺失问题，现有纯运动学优化难以完全避免足部滑动等执行误差；在构建层面，多机器人型号的异构关节结构要求设计参数化的统一处理框架，而CSV到PKL格式转换的型号限制反映了跨平台数据适配的复杂性。动态约束与执行器限制的未建模特性，进一步制约了生成轨迹的实际可执行性。

常用场景

经典使用场景

在仿人机器人运动规划研究中，LAFAN1 Retargeting Dataset为研究者提供了高质量的轨迹数据。该数据集通过将LAFAN1动作捕捉数据重定向至Unitree系列机器人，实现了舞蹈动作等复杂运动模式的迁移。基于Interaction Mesh和逆向运动学的优化方法，确保了末端执行器姿态约束下的运动自然性，为机器人运动生成算法提供了重要基准。

解决学术问题

该数据集有效解决了仿人机器人运动控制中的关键科学问题。通过考虑关节位置约束和速度约束，显著降低了足部滑动现象；其帧率为30Hz的连续运动数据，为时序动作预测研究提供了理想素材。数据集弥补了传统运动规划方法在动态约束建模方面的不足，推动了基于数据驱动的运动生成算法发展。

实际应用

在实际机器人开发中，该数据集已成功应用于Unitree G1/H1等商用机器人平台。工程师可直接加载预计算的运动轨迹，快速验证机器人硬件性能；教育机构利用其标准化数据格式开展机器人控制课程教学。数据集支持的三维空间关节角度数据，显著提升了机器人舞蹈编排等娱乐应用的开发效率。

数据集最近研究

最新研究方向

随着人形机器人技术的快速发展，如何实现自然流畅的运动控制成为研究热点。LAFAN1 Retargeting Dataset通过将LAFAN1动作捕捉数据重定向至Unitree H1、H1_2和G1三款人形机器人，为机器人运动规划提供了宝贵的数据支持。该数据集采用基于交互网格和逆向运动学的数值优化方法，在考虑末端执行器位姿约束的同时，兼顾关节位置和速度限制，有效避免了足部滑动现象。当前研究主要聚焦于如何将重定向后的运动轨迹应用于强化学习策略训练，例如与ASAP等先进策略架构的结合。数据集提供的CSV和PKL两种格式，特别是包含根关节位移、四元数旋转和关节角度等完整运动学参数的PKL格式，为开发具有动态适应能力的运动控制算法奠定了基础。这一工作推动了从单纯运动学约束到包含动力学因素的综合运动控制研究的发展。