UMR: İnsan hareketini
her insansı robota tek iş akışıyla aktarmak.
HKUST (Guangzhou), Noitom Robotics, Hanyang Üniversitesi, HKUST ve HKU araştırmacılarının geliştirdiği UMR, insan hareketini robota aktarırken eklem eklem elle yapılan eşlemeyi ortadan kaldırıyor. İnsan ve robot gövdesini yoğun nokta bulutları olarak eşleştiriyor, hareketi yüzey düzeyinde taşıyor. Sonuç: Unitree G1'de GMR ve OmniRetarget'a göre daha kararlı hareket takibi ve gerçek robotta dönerek tekme, merdiven, sandalyeye oturma, top ve kutu taşıma.
Bu incelemede yöntemin tamamı, deney sonuçları, desteklenen robotlar, yayımlanan kodun lisans durumu ve aynı hattı Türkiye'de kendi robotunuzda kurmanın yolu var.
Hızlı Bakış: Çalışma 4 Cümlede
Problem
İnsan hareketini robota aktaran yöntemler iki iskeleti elle seçilmiş eklemlerle eşliyor. Her yeni robot yeni bir eşleme ve yeni ayar demek; seyrek eklem noktaları da ince pozu ve temasları kaçırıyor.
Fikir
İskeleti bırak, yüzeye bak: insan ve robotun T-pozundaki dış yüzey nokta bulutları arasında sıralı, yoğun bir eşleşme öğren; hareketi bu nokta çiftleri üzerinden kısıtlı bir optimizasyonla taşı.
Sonuç
Unitree G1'de GMR'den daha yüksek takip başarısı (Sim2Sim'de dövüş hareketlerinde %79,5'ten %95,3'e); temas yoğun nesne görevlerinde OmniRetarget'a göre yüzde 40 ile 56 daha düşük eklem hatası.
Donanım
Nicel testlerin tamamı ve gerçek dünya gösterimleri Unitree G1'de. Aynı yöntem HighTorque PiPlus, Booster K1, EngineAI T800 ve Unitree H2 üzerinde de gösterildi.
Robotun yeteneği, verisinin kalitesi kadar
Bugün bir insansıya dans, gösteri koreografisi ya da taşıma becerisi kazandırmanın en yaygın yolu şu: insan hareket verisinden (hareket yakalama kayıtları, videodan çıkarılmış hareketler, animasyon arşivleri) referans üretmek ve robota bu referansı takip eden bir kontrol politikası öğretmek. Zincirin ilk halkası olan retargeting, yani hareketin robot gövdesine uyarlanması kötü yapılırsa, en iyi pekiştirmeli öğrenme hattı bile yanlış hareketi kusursuzca öğrenir.
UMR bu halkayı hem daha isabetli hem de robotlar arasında taşınabilir hale getiriyor. Robot alacak ya da elindeki robota yeni beceriler kazandırmak isteyen bir kurum için üç somut sonucu var.
Yeni robotta elle eşleme yok
Robotun MJCF modeli ve T-pozu yeterli. Makaledeki ölçümde eşleşme kurulumu bir robot ve kaynak şablonu için 25,79 saniye sürüyor ve sonra aynı eşleşme tüm kliplerde yeniden kullanılıyor.
Karışık filo, tek veri hattı
Aynı hareket arşivi boyu ve eklem yapısı farklı robotlara aynı formülasyonla aktarılıyor: makalede 0,75 ile 1,83 m arasındaki beş robotta gösterildi. Filonuzda G1 ve H2 gibi farklı gövdeler varsa hat değişmiyor.
Temas korunuyor
El ile nesne, ayak ile zemin, gövde ile sandalye arasındaki temas nokta düzeyinde aktarılıyor. Makalede nesne taşıma, tekme ve itme görevlerinde eklem hatası yüzde 40 ile 56 düşüyor; merdivende politika başarısı yüzde 11'den 43,5'e çıkıyor.
İskelet eşlemesinin sınırı: her robot yeni bir el işi
İnsan ile robot arasında boy, eklem sayısı, eklem aralığı ve kinematik kısıt farkları büyük. Mevcut yöntemler bu farkı, kinematik optimizasyonla (GMR), öğrenmeyle desteklenen uyarlamayla ya da etkileşim kısıtlarıyla (OmniRetarget) çözerken hep aynı varsayıma dayanıyor: iki iskelet arasında elle seçilmiş birebir bir eklem eşlemesi. Eşleme iskelete özgü olduğu için başka bir robota geçmek eşlemeyi ve uydurma parametrelerini yeniden kurmak demek. Seyrek eklem noktaları da vücudun yalnızca küçük bir kısmını kısıtladığından ince poz ve güvenilir temas aktarımı için yetersiz kalıyor.
| BOYUT | İSKELET EŞLEMESİ (GMR, OMNIRETARGET) | UMR (YOĞUN YÜZEY EŞLEŞMESİ) |
|---|---|---|
| Eşleme nasıl tanımlanır? | Elle seçilen eklem, uç organ ya da gövde parçası çiftleri | İki gövdenin nokta bulutları arasında öğrenilen sıralı, yoğun eşleşme |
| Yeni robot eklemek | Eşlemeyi ve uydurma parametrelerini yeniden tanımlamak gerekir | Robotun MJCF modeli ve T-pozu yeterli; eşleşme kendiliğinden öğrenilir |
| Kısıtın kapsadığı yer | Vücudun küçük bir alt kümesi: seçili eklemler | Tüm dış yüzey, eklemlerin arasındaki bölgeler dahil |
| Temas aktarımı | Ek elle tasarlanmış eşlemeler, basma algılama ve ayak sabitleme gibi buluşsal kurallar | Aynı nokta indeksleriyle doğrudan temas haritası aktarımı |
| Kaynak formatı | Kaynağın iskelet yapısına ve eklem adlarına bağlı | Kanonik şablon ve pozlanmış yüzey veren her kaynak: SMPL-X, SOMA, animasyon karakteri, taranmış insan |
| Ağırlık ve parametreler | Robot başına ayarlanır | İnsan şablonunda bir kez tanımlanır, robotlar arasında yeniden kullanılır |
Yöntem: iki aşama, bir ortak arayüz
UMR hareketi kaynağın iskeletiyle değil, hareket eden dış gövde yüzeyiyle temsil ediyor. Kanonik bir T-pozu ağı ve zaman içinde pozlanmış yüzeyler sunan her kaynak aynı hatta girebiliyor: SMPL ailesi modeller, SOMA temsilleri, iskeletli animasyon karakterleri ve taranmış insan ağları. Yüzeyi nokta bulutu olarak örneklemek, kaynak ile robot arasında uyumlu iskelet ya da ağ topolojisi şartını ortadan kaldırıyor; poz ve teması tarif etmek için gereken geometri ise korunuyor.
AŞAMA I
Nokta bulutu eşleşme öğrenimi
- 01
Kanonik poz
İnsan şablonu ve robot aynı T-pozuna hizalanır. Eşleşme, poza bağlı deformasyondan arınmış bu duruşta, robot ve kaynak şablonu çifti başına bir kez öğrenilir.
- 02
Örnekleme
İnsan tarafında sıralı (indeksli), robot tarafında sırasız birer dış yüzey nokta bulutu örneklenir. İnsan noktalarının sırası, eşleşmenin kimliği olur.
- 03
Ağ
PointNet tarzı bir kodlayıcı robot nokta bulutunu gizli bir temsile özetler; MLP çözücü her insan noktası için bir deformasyon vektörü üretir. Robottaki karşılık, insan noktası artı bu vektördür.
- 04
Kayıp
Chamfer terimi robot yüzeyinin kapsanmasını sağlar, itme terimi noktaların aynı bölgeye yığılmasını engeller, jeodezik graf üzerindeki kenar pürüzsüzlüğü terimi komşu noktaların birlikte kaymasını zorlar.
- 05
Mesh bağlama
Eşleşen noktalar kendi gövde ağlarına bağlanır. Robot noktaları insan gövde bölgesi etiketlerini miras alır; insan şablonunda tanımlanan bölge ağırlıkları her robotta yeniden kullanılır.
AŞAMA II
Eşleşme güdümlü retargeting
- 01
Taşıma
Hareket boyunca insan noktaları pozlanmış kaynak ağı üzerinde barisentrik koordinatlarla, robot noktaları bağlı oldukları uzuv üzerinden ileri kinematikle taşınır. Her insan noktası, robottaki karşılığı için bir hedeftir.
- 02
Poz artığı
Her nokta çifti için konum farkı ve T-pozuna göre yerel yüzey yönelimi (normal) farkı hesaplanır; gövde bölgesine göre ağırlıklandırılır.
- 03
Temas artığı
Nesne ya da sahne yüzeyinden örneklenen noktalara göre temas vektörleri, insandan robota aynı indekslerle aktarılır. Zemin, nesne ve sahne aynı kurguyla ele alınır; öz temasta karşı nokta başka bir gövde bölgesindeki eşleşme noktasıdır.
- 04
Kısıtlı güncelleme
Artıklar doğrusallaştırılır ve her iterasyonda sönümlü bir Gauss-Newton adımı dışbükey kuadratik program olarak çözülür: eklem limitleri, zemin açıklığı ve güven bölgesi sınırı altında. Uygulama MuJoCo üzerinde, çözücü Clarabel.
- 05
Çıktı
Kare kare robot eklem açıları (qpos). Bu dosya, pekiştirmeli öğrenmeyle eğitilecek takip politikasının referansıdır.
# Asama I: eslesme (kanonik T-pozunda, robot basina bir kez) X_r_hat = X_h + D( E(X_r) ) # insan noktasi + deformasyon vektoru L_corr = lc*Chamfer + lr*Itme + le*KenarPuruzsuzlugu # Asama II: her karede kisitli optimizasyon min_q |r_poz(q)|^2 + |r_temas(q)|^2 kisitlar: eklem limitleri, zemin acikligi, guven bolgesi cozum: sonumlu Gauss-Newton adimi -> QP (Clarabel), MuJoCo
Dört hareket kaynağı, beş robot, değişmeyen hat
UMR'nin iddiası bir robotta iyi çalışmak değil; kaynak ve robot ne olursa olsun aynı hattı kullanmak. Makale bunu dört farklı hareket temsilini beş farklı insansıya aktararak gösteriyor. Eşleşme öğrenimi ve retargeting adımları bütün kaynak ve robot çiftlerinde aynı; kaynaklar arasındaki tek fark, nokta seçimi ve ağırlıklandırmada kullanılan gövde bölgesi tanımları. SMPL-X ve SOMA aynı bölge tanımını paylaşıyor, animasyon karakteri kendi basitleştirilmiş geometrisinden bölümleniyor, bölümlenmemiş taranmış insan ağı ise tek bir bütün gövde bölgesi olarak ele alınıyor.
| KAYNAK / ROBOT | HighTorque PiPlus | Booster K1 | Unitree G1 | EngineAI T800 | Unitree H2 |
|---|---|---|---|---|---|
İnsansı animasyon karakteri MimicKit (Xue Bin Peng) | |||||
SOMA hareketleri BONES-SEED veri seti | |||||
SMPL-X hareketleri LAFAN1'den türetilmiş | |||||
Taranmış insan ağı Ekibin kendi taraması ve hareket yakalama verisi |
Kaynak: arXiv:2609.02134, Şekil 5. Robot boyları 0,75 ile 1,83 m arasında. Proje sayfasındaki etkileşimli 3B sahne aynı dört kaynağın beş robota aktarımını tarayıcıda otomatik oynatıyor. Bağlantılı robotlar robotlar.org kataloğunda; HighTorque PiPlus portföyümüzde değil.
Yeni bir robotu tarayıcıda hareketlendirmek
Çalışmanın en pratik parçası kurulum gerektirmeyen bir tarayıcı uygulaması. Robotunuzun MJCF klasörünü sürükleyip bırakıyorsunuz; dosyalar bilgisayarınızdan çıkmıyor, örnekleme, 60 epoch'luk eşleşme eğitimi ve retargeting tarayıcıda, kendi işlemcinizde çalışıyor.
Proje sayfasındaki PiPlus, Adam ve Fourier N1 sonuçlarının hepsi Studio'da aynı iş akışıyla, robota özel eşleme ya da robot başına parametre ayarı yapılmadan üretildi. Robot almadan önce aday gövdenin modelini Studio'da denemek, satın alma kararını veriyle desteklemenin ucuz bir yolu.
Akıcı oynatma için tarayıcıda donanım hızlandırmanın açık olması gerekiyor (Chrome: Ayarlar, Sistem, "Kullanılabilir olduğunda grafik hızlandırmayı kullan"). Robot modelinin T-pozu yapılandırması Studio'dan kopyalanıp yayımlanan kod hattındaki robot yapılandırmasına (tpose_qpos) yapıştırılıyor.
- 1
Robotu yükle
MJCF klasörünü (XML, mesh, doku ve bağlı dosyalar) bırakın ya da seçin; klasördeki XML'lerden görselleştirilecek modeli seçin. Dosyalar tarayıcıda kalır.
- 2
T-pozunu ver
Hareketli bir gövde parçasının üzerine gelince eklem ekseni görünür; sürükleyerek pozlarsınız. Menteşe açıları derece, kayar eklemler metre cinsinden.
- 3
Yüzey örnekleme
Robotun yüzeyinden nokta bulutu çıkarılır.
- 4
Eşleşme eğitimi
İnsan şablonu ile robot arasındaki eşleşme 60 epoch eğitilir. İşçi sayısı seçilebilir; varsayılan, bilgisayarın bildirdiği azami değerin yarısı.
- 5
Mesh bağlama
Eşleşen noktalar gövde ağlarına bağlanır; gövde bölgesi etiketleri robot üzerinde görünür.
- 6
Hareket
Varsayılan referans olan dönerek tekme klibi robota aktarılır; oynatıcıda 0,5 ile 2 kat arası hız. Hazırlanan T-pozu yapılandırması tek tuşla kopyalanıp kod hattına yapıştırılır.
GMR ve OmniRetarget'a karşı: videolarda ne görülüyor?
Proje sayfası her senaryoyu aynı kaynak hareketle yan yana videolarla karşılaştırıyor. Videoların lisansı paylaşılmadığı için burada yeniden yayımlamıyoruz; her bloğun altında orijinal videoya giden bağlantı var. Aşağıda her karşılaştırmada neye bakmanız gerektiğini özetliyoruz.
Aktöre özgü oranlar korunuyor
Aynı klip (kneeling_start_R_001__A409): bir yanda aktörün kendi oranlarıyla (SOMA Proportional) UMR, diğer yanda tek tip gövdeyle (SOMA Uniform) GMR. Makaleye göre UMR hedef duruşu ve temas ilişkilerini daha iyi koruyor; GMR alt gövdede poz bozulması ve zemin teması hataları üretiyor. Ayrıntı önemli: BONES-SEED'de yayımlanan G1 referansları SOMA-Uniform'dan GMR ile üretilmiş. UMR, aktöre özgü hareketi aktör başına ayrı ayar olmadan doğrudan aktarabiliyor.
El, nesnenin doğru yüzeyinde kalıyor
Kutu itme ve topu yeniden konumlandırma: hareket yakalama verisi, UMR ve OmniRetarget yan yana. İki yöntem de eli yaklaşık doğru konuma getiriyor; ancak OmniRetarget teması nesnenin yanlış yüzeyine kaydırabiliyor, UMR iki elli temas geometrisini koruyor. Aynı fark politika sonuçlarında da görülüyor: taşıma ve tekme görevlerinde başarı yüzde 83 civarından yüzde 99'un üstüne çıkıyor.
Gürültülü kaynakta bile merdiven
Sandalyeye oturma ve merdivende inip çıkma. GRAIL hareketleri, video üretim modellerinin ürettiği videolardan 4B insan hareketi kestirimi ve optimizasyonla yeniden kurulduğu için hareket yakalamaya göre daha gürültülü. Buna rağmen merdivende UMR referanslarıyla eğitilen politika yüzde 43,5 başarıya ulaşıyor; OmniRetarget'ta bu oran yüzde 11,0. Sandalyede ise OmniRetarget az farkla önde.
Raket hem nesne hem gövde parçası
AdaPT çalışmasındaki raketli Unitree G1'de raket, insan hareketinde bir etkileşim nesnesi, robotta ise gövdenin sabit bir parçası. UMR iki rolü tek formülasyonda çözüyor: SMPL-X artı raket ile G1 artı raket sistemleri arasında nokta bulutu eşleşmesi öğreniyor, raket yüzünün yönelimini ve yörüngesini hizalarken insan ile raket arasındaki etkileşimi koruyor.
Raketli G1 hakkında: tenis becerisini tek gösterimle öğrenen bir başka G1 çalışmasını TaskNPoint incelememizde anlattık.
Rakamlarla UMR
bir robot ve kaynak şablonu için yeniden kullanılabilir eşleşme kurulumu (9,83 s örnekleme, 5,58 s jeodezik ön hesap, 10,38 s eğitim)
klip başına uçtan uca retargeting hızı; ön işleme 141,46 FPS, retargeting 121,26 FPS
hareket takibi tablosundaki her hücrenin arkasındaki deneme sayısı
temas yoğun nesne görevlerinde OmniRetarget'a göre daha düşük eklem hatası
Hız ölçümleri LAFAN1 ortalaması; NVIDIA GeForce RTX 4070 Ti SUPER ve Intel Core Ultra 7 265KF. Aşağı akıştaki pekiştirmeli öğrenme politikaları RTX 4090 GPU'larda eğitildi. Kaynak: arXiv:2609.02134, Tablo I.
Politika, referansı ne sıklıkla sonuna kadar takip ediyor?
Unitree referanslarının bulunduğu 40 LAFAN1 sekansında, BeyondMimic ile her hareket için ayrı politika eğitildi. Deneme, referans penceresi sonlandırma kriteri tetiklenmeden tamamlanırsa başarılı sayılıyor. Nominal simülasyonda farklar küçük; asıl ayrışma alan rastgeleleştirmesi ve Sim2Sim'de: UMR orada her hareket türünde GMR'yi geçiyor ve Unitree'nin özenle hazırlanmış referanslarıyla başa baş kalıyor.
Politika, eğitildiği ortamdan farklı bir simülasyon kurgusunda test ediliyor (GMR'nin dağıtım kurgusu); gerçek dağıtıma en yakın ayar.
Eksen %30'dan başlar. Her değer 4.096 denemenin başarı oranıdır.
Tablo II'nin tamamını göster (üç test ortamı)
| Hareket | Simülasyon, DR yok | Simülasyon, DR var | Sim2Sim | ||||||
|---|---|---|---|---|---|---|---|---|---|
| UMR | GMR | Unitree | UMR | GMR | Unitree | UMR | GMR | Unitree | |
| Dans | 99,35 | 97,55 | 99,40 | 98,94 | 95,06 | 98,68 | 96,79 | 89,68 | 96,10 |
| Düşme ve kalkma | 96,98 | 84,72 | 97,05 | 95,62 | 81,60 | 95,67 | 34,92 | 32,10 | 46,90 |
| Dövüş | 99,94 | 87,60 | 99,86 | 98,86 | 83,04 | 98,75 | 95,30 | 79,49 | 95,91 |
| Zıplama | 99,58 | 99,62 | 99,99 | 99,15 | 98,89 | 99,51 | 92,86 | 89,27 | 91,53 |
| Koşu | 99,99 | 99,95 | 99,99 | 98,57 | 98,01 | 98,56 | 91,19 | 81,24 | 89,40 |
| Sprint | 100,00 | 99,94 | 99,98 | 99,10 | 97,72 | 98,22 | 86,43 | 71,46 | 90,83 |
| Yürüyüş | 98,98 | 98,99 | 99,99 | 98,71 | 98,61 | 99,77 | 92,76 | 86,84 | 95,19 |
Kalın: satırdaki en iyi değer. Kaynak: Cao ve ark., arXiv:2609.02134, Tablo II (LAFAN1, Unitree G1, BeyondMimic ile tek hareket takibi).
Nesne ve sahne etkileşiminde politika başarısı
OmniContact (nesne) ve GRAIL (sahne) hareketleri iki yöntemle robota aktarıldı; politikalar aynı eğitim protokolüyle, yalnızca referanslar değiştirilerek eğitildi. OmniContact'ın görece esnek sonlandırma kriteri başarı oranını takip kalitesine daha az duyarlı kılıyor; bu yüzden eklem ve nesne hatasına da bakmak gerekiyor. UMR referanslarıyla eklem hatası üç nesne görevinde yüzde 40 ile 56 arasında düşüyor.
Tablo IV'ün tamamını göster (başarı, eklem hatası, nesne hatası)
| Görev | Başarı (%) UMR / Omni | Eklem hatası (rad) UMR / Omni | Nesne hatası (m) UMR / Omni |
|---|---|---|---|
| Taşıma | 99,28 / 82,89 | 0,570 / 1,030 | 0,081 / 0,252 |
| Tekme | 99,98 / 83,13 | 0,619 / 1,396 | 0,038 / 0,215 |
| İtme | 99,99 / 99,87 | 0,630 / 1,043 | 0,048 / 0,049 |
| Sandalye | 75,24 / 79,67 | 0,315 / 0,308 | yok |
| Merdiven | 43,53 / 11,01 | 0,229 / 0,327 | yok |
| Rampa | 58,32 / 52,37 | 0,152 / 0,179 | yok |
Kalın: görevdeki daha iyi değer. Politikalar OmniContact ve OmniRetarget eğitim protokolleriyle eğitildi; yalnızca retargeting referansları değişti. Kaynak: arXiv:2609.02134, Tablo IV.
| Metrik | UMR | GMR | Unitree |
|---|---|---|---|
| Küresel gövde parçası konum hatası (mm) | 89,61 / 176,79 | 198,89 / 322,57 | 83,99 / 177,52 |
| Köke göre gövde parçası konum hatası (mm) | 29,71 / 36,81 | 43,23 / 53,36 | 28,63 / 35,62 |
| Eklem açısı hatası (10⁻³ rad) | 610,19 / 648,77 | 758,52 / 808,62 | 620,05 / 658,60 |
UMR her iki ortamda en düşük eklem açısı hatasını veriyor; konum hatalarında GMR'nin belirgin biçimde önünde, Unitree referanslarıyla yakın. En kötü durumda (maksimum) küresel konum hatası UMR'de 236,49 mm, GMR'de 843,48 mm.
BÜYÜK ÖLÇEKLİ EĞİTİM · SONIC
Veri seti ölçeğinde de fark sürüyor
Tek hareket takibinin ötesinde, UMR ile aktarılmış BONES-SEED verisi SONIC çerçevesinde genel bir hareket takipçisi eğitmek için kullanıldı. BONES-SEED'de yayımlanmış G1 referansları SOMA-Uniform'dan GMR ile üretilmiş; UMR ise aktöre özgü SOMA-Proportional hareketleri doğrudan aktarıyor.
SMPL kodlayıcısı kapalıyken (yani politika yalnızca robot referansına dayandığında) UMR verisi toplam ödül, çapa konum hatası ve eklem açısı hatasının üçünde de yayımlanmış referansların önünde ve eğitimin sonuna doğru yaklaşık yüzde 10 göreli iyileşme sağlıyor. Kodlayıcı açıkken, insan hareketinden gelen ek rehberlik sayesinde iki veri benzer performans veriyor.
Simülasyondan gerçek robota: beş gösterim
UMR ile üretilen referanslardan eğitilen politikalar gerçek robota aktarıldı. Referans veriler MimicKit, GRAIL ve OmniContact'tan; politika eğitimi BeyondMimic, Holosoma ve OmniContact hatlarıyla yapıldı. Gösterimlerdeki gövde Unitree G1.
Dönerek tekme
veri: MimicKitGövdenin dönerek tekme attığı, yüksek dinamikli tüm gövde hareketi.
Merdiven çıkıp aşağı atlama
veri: GRAILBasamakları çıkan ve sonunda aşağı atlayan robot; sahne teması korunuyor.
Sandalyeye oturma
veri: GRAILGövdenin sandalyeye doğru yerden oturduğu sahne etkileşimi.
Topu alıp geri geri yürüme
veri: OmniContactTopu yerden alıyor, dönüşlerle geri geri yürüyor. Bu görev hareket yakalama sistemi eşliğinde yapıldı.
Kutu taşıma
veri: OmniContactKutuyu yeni konumuna taşıyan loko-manipülasyon görevi.
BU GÖSTERİMLERİN DONANIMI
Unitree G1
132 cm, 35 kg; standart sürümde 23, G1 EDU'da el seçeneğiyle 43'e kadar serbestlik derecesi. Araştırma ve özel politika dağıtımı için eklem seviyesinde geliştirme erişimi sunan G1 EDU sürümü gerekiyor.
Unitree Türkiye partneri · kurulum ve teknik destek · 1 yıl garanti
Bugün neyi çalıştırabilirsiniz?
Kod 7 Eylül 2026'da GitHub'da yayımlandı (hanyang9/UMR). Depo iki aşamayı da içeriyor; öğrenilen bir eşleşme, aynı kaynak şablonu ve aynı robotu kullanan tüm hareketlerde yeniden kullanılıyor. Toplu işlemde, ara sıra görülen tekilliklere karşı duyarlılığı azaltmak için çift yönlü sıcak başlatma ve dinamik programlama öneriliyor. Not: UMR'nin şirket içi bir geliştirme sürümü, OmniContact'ın yayımladığı Unitree G1 retargeting verisini üretmek için de kullanılmış.
DEPODAKİ HAREKET KAYNAKLARI
Depoda hazır robot yapılandırmaları
Robotlar arasında yalnızca robot yapılandırması değişiyor (T-pozu, eklem limitleri, model yolu); yüzey ağırlıkları kaynağa bağlı ve robotlar arasında ortak. İçbükey nesneler, MuJoCo tek bir çarpışma ağını dışbükey zarfı olarak ele aldığı için retargeting öncesi CoACD ile dışbükey parçalara ayrılmalı.
# Ortam (depodaki README'ye gore) conda create -n umr python=3.12 pip -y && conda activate umr python -m pip install --index-url https://download.pytorch.org/whl/cu121 torch==2.4.1 python -m pip install -r requirements-umr.txt # SMPL-X govde modeli depoda yok: resmi saglayicidan, lisans kabuluyle # smpl/SMPLX_NEUTRAL.pkl (ya da .npz) # G1 + LAFAN1 kaynakli ornek dans klibi: eslesme kurulur, retarget, MuJoCo python scripts/humanoid_retarget_pipeline.py \ --config robot_configs/humanoid_retarget_unitree_g1_example.json # Yeni robot: ornek yapilandirmayi kopyala, ad ve MJCF yolunu degistir, # UMR Studio'dan kopyalanan tpose_qpos degerini yapistir.
Ticari projede lisans zinciri
Lisans durumları 11 Eylül 2026'da kaynaklarından kontrol edildi ve değişebilir. Hukuki görüş değildir; projeye başlamadan önce güncel lisans metinlerini doğrulayın.
Bilinen sınırlar ve dürüst notlar
- UMR kaynakta ağ (mesh) tabanlı geometri ve kanonik bir şablon olmasını varsayıyor. Ham video ya da seyrek anahtar noktalardan doğrudan çalışmıyor; önce SMPL-X gibi bir gövde modeline dönüştürme gerekir.
- Nicel değerlendirmelerin tamamı Unitree G1'de. Diğer dört robot için sonuçlar görsel (nitel) gösterim.
- Sandalyeye oturma görevinde OmniRetarget az farkla önde (%79,7'ye karşı %75,2).
- Merdiven görevinde mutlak başarı hala düşük (%43,5); GRAIL kaynakları gürültülü.
- Yüzey ağırlıkları G1 için ayarlandı; depo notuna göre diğer gövdelere genelde aktarılıyor ama her robot için optimal olmayabilir.
- Sim2Sim'de yedi hareketin dördünde (düşme ve kalkma, dövüş, sprint, yürüyüş) Unitree'nin özenle hazırlanmış referansları hala önde; en büyük fark düşme ve kalkmada (%46,9'a karşı %34,9).
- Sonuçlar yazarların kendi deneyleri; makale Eylül 2026'da yayımlandı ve bağımsız bir tekrar henüz yok.
- Yazarların planı: daha az yapılandırılmış hareket gözlemleri, çok eklemli eller gibi daha karmaşık gövdeler ve çok ajanlı etkileşimler.
Makaledeki robotlar kataloğumuzda
UMR'nin gösterildiği beş robottan dördü ve Studio örneklerinden biri robotlar.org portföyünde. Unitree modellerinde Türkiye partneri olarak kurulum ve teknik destek veriyoruz; diğer markalarda proje bazlı kurumsal tedarik ve entegrasyon mühendisliği sağlıyoruz.
MAKALENİN ANA ROBOTUUnitree G1
Makalenin ana robotu: nicel testlerin tamamı ve gerçek dünya gösterimleri bu gövdede.
- Tablo II, III, IV
- Gerçek dünya testleri
- Raketli tenis varyantı
- Depoda hazır yapılandırma
Unitree Türkiye partneri · kurulum ve teknik destek · 1 yıl garanti
Unitree H2
Şekil 5'teki en uzun gövde: dört hareket kaynağının tamamı aktarıldı.
- Şekil 5
- Depoda hazır yapılandırma
Unitree Türkiye partneri · kurulum ve teknik destek · 1 yıl garanti
EngineAI T800
Tam boy, yüksek dinamikli gövde: Şekil 5'te dört kaynağın tamamı aktarıldı.
- Şekil 5
- Depoda hazır yapılandırma
Kurumsal tedarik · proje teklifi · entegrasyon mühendisliği
Booster K1
Kompakt eğitim ve geliştirme gövdesi: Şekil 5'te dört kaynağın tamamı aktarıldı.
- Şekil 5
- Depoda hazır yapılandırma
Kurumsal tedarik · proje teklifi · entegrasyon mühendisliği
Fourier N1
UMR Studio örneği: robota özel eşleme ya da ayar yapılmadan hareketlendirildi.
- UMR Studio örneği
- URDF ve MJCF modelleri GitHub'da
Kurumsal tedarik · proje teklifi · entegrasyon mühendisliği
Aynı işi yapabilecek diğer insansılar
UMR robottan yalnızca MJCF modelini ve bir T-pozunu istiyor. Bu yüzden resmi robot modeli yayımlanmış ve eklem seviyesinde kontrol sunan her insansı aynı hatta aday. Aşağıdaki robotlar makalede yer almıyor; ancak her biri için üreticinin yayımladığı model dosyasını ya da insan hareketi aktarımında kullanıldığını gösteren kaynağı bağlantısıyla veriyoruz.
Unitree R1
Unitree'nin ultra hafif insansısı (yaklaşık 123 cm). Unitree, R1'in URDF ve MJCF modellerini ve eklem seviyesinde kontrol örneğini resmi olarak yayımlıyor; unitree_rl_mjlab hattında R1 için dağıtım yapılandırması var.
Ürün sayfası
Booster T1
2025 RoboCup AdultSize şampiyonu, geliştirici odaklı araştırma robotu (118 cm, 30 kg). Booster modeli açık yayımlıyor; GMR bu gövdeyi doğrudan destekliyor, Amazon FAR'ın Holosoma hattı da G1 ile birlikte T1'i hedefliyor.
Ürün sayfası
Booster T2
Booster'ın 140 cm, 31 serbestlik dereceli amiral gemisi. T2'nin URDF ve MJCF modeli K1 ve T1 ile aynı resmi depoda; düşük seviyeli eklem kontrolü aynı Booster SDK'sında.
Ürün sayfası
EngineAI PM01
140 cm, açık yazılım yığınlı hafif ve dinamik insansı. GMR PM01'i doğrudan destekliyor; EngineAI'nin engineai_rl_lab deposu hareket takibi eğitimi ve dağıtımı içeriyor.
Ürün sayfası
Fourier GR-2
175 cm, tam boy genel amaçlı insansı. Fourier, GR-2 için URDF ve MJCF modellerini ve Aurora SDK örneklerini yayımlıyor.
Ürün sayfası
AgiBot X1
Donanımından eğitim koduna kadar açık yayımlanan modüler insansı (130 cm, 33 kg): URDF ve MJCF modelleri, eğitim ve çıkarım kodu, malzeme listesi ve montaj talimatları GitHub'da.
Ürün sayfası
AgiBot X2
Yaklaşık 1,31 m kompakt etkileşim ve eğitim insansısı. AgiBot, X2'nin URDF ve MJCF modellerini yayımlıyor; geliştirici dokümanı eklem kontrolünü ve RL dağıtımını anlatıyor.
Ürün sayfası
X-Humanoid Tien Kung 3.0
173 cm tam boy insansı ailesi. X-Humanoid, Tien Kung'un Lite ve Pro sürümleri için URDF ve STEP dosyalarını, gerçek robotta RL dağıtım kodunu ve xMimic taklit hattını açık yayımladı; GMR de Tien Kung'u destekliyor. 3.0 sürümünün model dosyasını teklif aşamasında üreticiyle teyit ediyoruz.
Ürün sayfası
LimX Oli
165 ile 175 cm arası, 31 ile 43 aktif serbestlik dereceli tam boy insansı. LimX, Oli için URDF, MJCF ve USD modellerini, Isaac Lab tabanlı RL eğitim çerçevesini ve dağıtım örneğini yayımlıyor.
Ürün sayfasıBu robotlar UMR ile test edilmedi. Resmi model dosyasının ve düşük seviyeli kontrolün varlığı yalnızca adaylığı gösterir; yüzey ağırlıkları G1'de ayarlandı ve farklı gövdelerde ince ayar gerekebilir. Proje başında hedef robotun modelini UMR Studio'da birlikte deniyoruz. Bağlantılar 11 Eylül 2026'da kontrol edildi.
Hangi robot hangi iş için?
Aynı hattı kendi robotunuzda kurmak: 5 adım
Makale okumak ile robotta koşturmak arasında donanım, simülasyon, veri lisansı ve saha güvenliği var. Robotlar.org; G1 EDU tedariki, SDK ve simülasyon kurulumu, veri toplama hatları ve eğitim desteğiyle bu aradaki mühendisliği üstleniyor.
Hedef hareketler ve veri
Hangi beceriler (gösteri koreografisi, taşıma, oturma, merdiven) ve hangi veri: kendi hareket yakalama kaydınız mı, lisanslı bir veri seti mi? Lisans zinciri bu adımda netleşir.
Robot seçimi ve tedarik
Unitree G1 EDU, H2 ya da kataloğumuzdaki alternatifler: boy, eklem sayısı, el seçeneği ve bütçeye göre. Unitree'de kurulum ve teknik destek, diğer markalarda proje bazlı tedarik.
Retargeting ve kalite kontrol
Robot T-pozu, eşleşme ve toplu retargeting. Çıktılar ayak kayması, eklem limiti ve temas açısından kontrol edilir; bozuk klipler ayıklanır.
Politika eğitimi ve sim2sim
BeyondMimic ya da Holosoma gibi açık hatlarla simülasyonda takip politikası eğitimi, ardından farklı bir simülatörde (MuJoCo) doğrulama.
Gerçek robotta devreye alma
Askı ve koruma alanı, kademeli hız, acil durdurma prosedürü ve operatör eğitimiyle sahaya geçiş.
G1 Ar-Ge Platformu
Isaac Lab ve MuJoCo dijital ikizi, teleoperasyon ve veri toplama ile anahtar teslim G1 araştırma kurulumu; üniversite BAP ve kurumsal Ar-Ge alımlarına şartname desteği.
Platformu inceleRL ve Sim2Real rehberi
Simülasyonda politika eğitimi, MuJoCo'da sim2sim doğrulama ve gerçek robota dağıtım adımları.
Rehberi açG1 teleoperasyon
Kendi gösterim verinizi toplamak için XR tabanlı kol ve el kontrolü; hareket verisi üretmenin diğer yolu.
Rehberi açUMR hattınız için robot ve kurulum teklifi
Hangi hareketleri hangi robota kazandırmak istediğinizi yazın; robot seçimi, G1 EDU ya da H2 yapılandırması, simülasyon ve hareket hattı kurulumu için size özel konfigürasyon ve fiyatla dönelim.
- Makaledeki robotlar: Unitree G1, Unitree H2, Booster K1, EngineAI T800, Fourier N1
- Alternatif gövdeler için model dosyası ve SDK kontrolü
- Kod, gövde modeli ve veri lisans zincirinin netleştirilmesi
- Simülasyon, politika eğitimi ve sahada güvenli devreye alma
Projenizi anlatın
Robot seçimi, yapılandırma ve kurulum için 1 iş günü içinde dönüş.
Sıkça Sorulan Sorular
UMR nedir?
UMR (Unified Motion Retargeting), insan hareketini insansı robotlara aktarmak için geliştirilmiş bir çerçevedir. HKUST (Guangzhou), Noitom Robotics, Hanyang Üniversitesi, HKUST ve HKU araştırmacıları tarafından Eylül 2026'da yayımlandı (arXiv:2609.02134). İnsan ve robot gövdesini dış yüzey nokta bulutları olarak ele alır, aralarında yoğun bir eşleşme öğrenir ve hareketi bu nokta çiftleri üzerinden kısıtlı bir optimizasyonla robota taşır. Böylece eklem eklem elle eşleme yapmaya gerek kalmaz.
Motion retargeting (hareket yeniden hedefleme) ne demek, neden gerekli?
Bir insan hareketini (hareket yakalama kaydı, videodan çıkarılmış hareket ya da animasyon) boyu, eklem sayısı ve eklem limitleri farklı bir robot gövdesine uyarlama işlemidir. İnsansı robotlara dans, gösteri ya da taşıma gibi beceriler öğretilirken önce insan hareketi robota uyarlanır, ardından robot bu referansı takip eden bir kontrol politikasıyla (çoğunlukla pekiştirmeli öğrenme) eğitilir. Retargeting ne kadar isabetliyse robotun öğrendiği hareket o kadar doğal ve kararlı olur.
UMR'nin GMR ve OmniRetarget'tan farkı nedir?
GMR ve OmniRetarget gibi yöntemler insan ile robot arasındaki karşılığı elle seçilmiş eklemler, anahtar noktalar ya da gövde parçası çiftleri üzerinden tanımlar; her yeni robot için eşleme ve ayarlar yeniden yapılır. UMR ise karşılığı iki gövdenin yüzeyleri arasında öğrenir. Makaledeki testlerde Unitree G1 üzerinde GMR'ye göre daha yüksek hareket takibi başarısı, temas yoğun nesne görevlerinde de OmniRetarget'a göre yaklaşık yüzde 40 ile 56 daha düşük eklem hatası elde edildi. Sandalyeye oturma görevinde ise OmniRetarget az farkla önde.
UMR hangi robotlarla çalışır?
Makalede beş insansı gösterildi: HighTorque PiPlus, Booster K1, Unitree G1, EngineAI T800 ve Unitree H2; boyları 0,75 ile 1,83 m arasında. Proje sayfasındaki UMR Studio örnekleri ayrıca PNDbotics Adam ve Fourier N1'i içeriyor. Yöntem robottan yalnızca MJCF modelini ve bir T-pozunu istiyor, dolayısıyla modeli yayımlanmış her insansı aday. Yayımlanan UMR deposunda Unitree G1, raketli G1, Unitree H2, Booster K1, EngineAI T800 ve HighTorque PiPlus Pro için hazır yapılandırmalar bulunuyor.
UMR gerçek robotta test edildi mi?
Evet. UMR ile üretilen referanslardan eğitilen politikalar gerçek bir Unitree G1 üzerinde gösterildi: dönerek tekme, merdiven çıkıp aşağı atlama, sandalyeye oturma, topu yerden alıp dönüşlerle geri geri yürüme ve kutu taşıma. Top görevi hareket yakalama sistemi eşliğinde yapıldı. Politika eğitiminde BeyondMimic, Holosoma ve OmniContact hatları kullanıldı. Sonuçlar yazarların kendi deneyleri; bağımsız bir tekrar henüz yayımlanmadı.
UMR robotu doğrudan kontrol eder mi?
Hayır. UMR bir referans üretme aracıdır: çıktısı, robotun kare kare eklem açılarından oluşan hareket referansıdır. Robotun bu hareketi dengesini koruyarak yapabilmesi için referans üzerinde bir kontrol politikası eğitilir (simülasyonda pekiştirmeli öğrenme) ve bu politika robota dağıtılır. UMR'nin katkısı, zincirin ilk halkası olan referansın kalitesini ve yeni robotlara ölçeklenmesini iyileştirmektir.
Kod yayımlandı mı, ticari projede kullanabilir miyim?
Kod GitHub'da herkese açık olarak yayımlandı (hanyang9/UMR). Ancak 11 Eylül 2026 itibarıyla depoda bir lisans dosyası yok; lisanssız kod varsayılan olarak tüm hakları saklı kabul edilir, yani görünür olması yeniden kullanım hakkı vermez. Veri tarafı da dikkat istiyor: SMPL-X gövde modelinin standart lisansı ticari kullanıma kapalı (ticari lisans Meshcapade üzerinden), LAFAN1 CC BY-NC-ND 4.0, GRAIL verisi CC BY-NC 4.0 lisanslı; BONES-SEED ise yalnızca akademik kullanıcılara ve yıllık cirosu 1 milyon doların altındaki girişimlere açık. Ticari bir projede kod, gövde modeli ve hareket verisinin lisans zincirini baştan netleştirmek gerekir.
Hangi donanım gerekir?
Makaledeki ölçümler NVIDIA GeForce RTX 4070 Ti SUPER ekran kartı ve Intel Core Ultra 7 265KF işlemciyle yapıldı: bir robot ve kaynak şablonu için eşleşme kurulumu yaklaşık 26 saniye sürüyor, retargeting uçtan uca saniyede yaklaşık 65 kare hızında ilerliyor. Aşağı akıştaki pekiştirmeli öğrenme politikaları RTX 4090 GPU'larda eğitildi. UMR Studio ise tarayıcıda, yerel işlemcide çalışıyor. Robot tarafında, Unitree G1 için eklem seviyesinde geliştirme erişimi sunan G1 EDU sürümü gerekir.
UMR Studio nedir?
Projeyle birlikte yayımlanan, kurulum gerektirmeyen bir tarayıcı uygulamasıdır. Robotunuzun MJCF klasörünü yüklüyor, T-pozunu sürükleyerek ayarlıyor, ardından yüzey örnekleme, 60 epoch'luk eşleşme eğitimi ve hareket aktarımını tarayıcıda, kendi işlemcinizde çalıştırıyorsunuz; dosyalar bilgisayarınızdan çıkmıyor. Studio'da hazırladığınız T-pozu yapılandırması tek tuşla kopyalanıp yayımlanan kod hattına yapıştırılabiliyor.
Temas aktarımı neden önemli?
Kutu itmek, top taşımak ya da sandalyeye oturmak gibi görevlerde hareketin şekli yetmez; elin kutunun doğru yüzeyine, ayağın basamağa, gövdenin sandalyeye doğru yerden değmesi gerekir. UMR, insanın temas haritasını aynı nokta indeksleriyle robota taşıyarak bu ilişkiyi korur. Makalede OmniRetarget'ın eli yaklaşık doğru konuma getirse de teması nesnenin yanlış yüzeyine kaydırabildiği, UMR'nin ise iki elli temas geometrisini koruduğu gösteriliyor.
Kendi hareket yakalama kayıtlarımı kullanabilir miyim?
Evet. UMR kanonik bir şablon ve pozlanmış gövde yüzeyi sunan her kaynağı kabul ediyor: SMPL-X, SOMA, animasyon karakterleri ve taranmış insan ağları. Depoda BONES-SEED, GRAIL, OmniContact, LAFAN1, OMOMO, MimicKit, AdaPT ve FBX/BVH kayıtları için adaptör rehberleri var. FBX/BVH kayıtları kendi adaptörüyle okunabiliyor; LAFAN1 BVH dosyaları için ise önce SMPL-X'e dönüştürme (lafan_to_smplx) öneriliyor. Ticari projelerde kendi kayıtlarınızı kullanmak lisans açısından en temiz yol.
Türkiye'de UMR ile uyumlu bir robotu nereden alabilirim?
Robotlar.org, makaledeki robotlardan Unitree G1 ve Unitree H2 için Unitree Türkiye partneri olarak satış, kurulum ve teknik destek sunar; Booster K1, EngineAI T800 ve Fourier N1 gibi diğer markalarda proje bazlı kurumsal tedarik ve entegrasyon mühendisliği sağlar. Robot seçimi, simülasyon kurulumu ve hareket hattı için bu sayfadaki teklif formundan bize ulaşabilirsiniz.
Kaynaklar
UMR; Hanyang Cao, Yuetong Fang, Taesoo Kwon, Runyi Yu, Ji Ma, Jing Tan, Yangchen Zhou, Baoze Du, Yi Gu, Yukang Gao, Ruoli Dai, Lei Han ve Renjing Xu'nun (HKUST (GZ), Noitom Robotics, Hanyang Üniversitesi, HKUST, HKU) çalışmasıdır. Bu sayfa robotlar.org'un bağımsız Türkçe incelemesidir; yöntemin görsel ve videoları orijinal proje sayfasındadır.
UMR proje sayfası
Videolar, etkileşimli 3B sahne ve UMR Studio.
Makale (arXiv:2609.02134)
Yöntem, tablolar ve gerçek dünya deneyleri (Cao ve ark., 2026).
Kod (GitHub: hanyang9/UMR)
İki aşamalı hat, adaptörler ve robot yapılandırmaları.
UMR Studio
Tarayıcıda T-pozu, eşleşme eğitimi ve hareket aktarımı.
GMR
Karşılaştırılan kinematik retargeting yöntemi (Araujo ve ark., 2025); çok sayıda insansıyı destekleyen açık kod.
OmniRetarget
Karşılaştırılan etkileşim korumalı retargeting yöntemi (Yang ve ark., 2025).
OmniContact
Nesne etkileşimi hareketleri ve eğitim hattı.
GRAIL (NVIDIA)
3B varlık ve video önsellerinden loko-manipülasyon verisi.
BeyondMimic
Hareket takibi politika eğitim hattı.
Holosoma
Amazon FAR'ın eğitim ve dağıtım çerçevesi; Unitree G1 ve Booster T1'i destekliyor.
BONES-SEED
SOMA hareket veri seti.
MimicKit
İnsansı animasyon karakteri ve dönerek tekme klibi.
AdaPT
Raketli G1 tenis çalışması.
@misc{cao2026unifiedmotionretargetinghumanoids,
title={Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence},
author={Hanyang Cao and Yuetong Fang and Taesoo Kwon and Runyi Yu and Ji Ma and Jing Tan and
Yangchen Zhou and Baoze Du and Yi Gu and Yukang Gao and Ruoli Dai and Lei Han and Renjing Xu},
year={2026}, eprint={2609.02134}, archivePrefix={arXiv}, primaryClass={cs.RO},
url={https://arxiv.org/abs/2609.02134},
}Hareket verisi sizde,
robotu ve hattı biz kuralım.
Unitree G1 EDU, H2 ya da kataloğumuzdaki diğer insansılar için robot seçimi, kurulum ve hareket aktarımı hattı konusunda teknik ekibimizle görüşün.