英伟达发布SOMA Retargeter：将人类动作转化为机器人关节轨迹
英伟达（NVIDIA，股票代码：NVDA）近日介绍了利用 SOMA Retargeter 工具，将人类运动数据转换为五种人形机器人关节轨迹的操作流程。该工具的转换结果可作为机器人训练或控制的参考动作，但需明确的是，这些数据本身并不能直接保证实体机器人的安全执行。
技术原理与工作流程
英伟达在13日发布的官方博客中指出，由于人类与机器人在肢体长度、关节结构及活动范围上存在显著差异，直接将人类的关节数值移植到机器人身上是行不通的。为此，该工具能够将人类动作统一接收至通用的骨骼格式中，并根据目标机器人的体型和关节特性进行适配调整。
输入端采用以 SOMA 骨骼系统表达的 BVH 动作文件。工具首先根据机器人体型调整动作规模，随后应用逆向运动学（IK）计算每一帧的关节姿态。最后，结合关节活动范围和脚部触地区间对动作进行修正，以确保物理合理性。
人类动作数据可来源于动作捕捉系统、视频复原或生成式模型的输出。需要注意的是，在输入前必须将其转换为 SOMA 骨骼格式，因此无法直接导入原始视频或非标准格式的 BVH 文件。
输出与应用场景
输出结果为 CSV 格式文件，其中包含每帧机器人的位置、方向及关节数值。通过对多种动作进行批量转换，用户可以构建适用于不同机器人的参考动作数据集。这一“将人类动作转化为机器人可执行动作并构建学习素材”的流程，与英伟达此前介绍的机器人学习数据研究紧密相关。
本次演示涵盖的五款示例机器人包括：优必选（Unitree）G1 和 H2、Booster T1，以及 AgiBot X2 Ultra 和 A3T3。使用的样本动作来自 Bones 的 BONES-SEED 数据集。通过机器人配置工具，系统会将人类骨骼部位与机器人关节进行一一映射。
关键参数与优化功能
逆向运动学权重：当机器人难以同时满足所有动作目标时，该权重用于决定优先保持哪些身体部位的姿态。
实验性功能：接触检测、足部固定校正以及权重优化目前被归类为实验性功能。
案例对比：在挥手示例中，相同的初始动作因机器人基准姿态的不同而产生了不同的转换结果。在未调整 Booster T1 基准姿态时，其双臂向外张开；调整后，一只手臂在头部侧面挥动，另一只手臂则自然下垂于身体两侧。英伟达建议，用户应先针对代表性动作调整设置，然后将相同配置应用于其他动作。
版本更新与其他集成
代码库历史记录显示，v0.2.0 版本发布于9月15日，修复关节限制值编辑错误的 v0.2.1 版本发布于10月1日。此次博客文章并非宣传新版本发布，而是旨在说明已有功能的应用过程和使用路径。
此外，ROBOTIS（罗博特仕）在其官方文档中指导用户在使用 AI Sapiens 应用 SOMA Retargeter 时使用其专属分支（Fork）。该分支包含了专为 AI Sapiens 设计的转换目标和 CSV 输出格式，因此与英伟达默认仓库中的五款示例机器人配置有所不同。
安全提示
转换结果仅为运动学动作数据。英伟达曾介绍过将人类动作适配至 MicroDuck 并在物理仿真环境中训练动作控制器的案例。官方仓库明确建议，在将任何模型应用于实体机器人之前，必须在仿真环境中充分验证其安全性、可行性以及控制器的兼容性。
