LAFAN1 Retargeting Dataset
收藏资源简介：
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.
LAFAN1 Retargeting Dataset 概述
1. 数据集背景
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/
