IMU 全身遥操作 G1：把人穿进机器人，靠运动学「直连」

Hamza Ahmed Durrani, Suleman Khan（WeGo Robotics）。arXiv:2605.12347，2026 年 5 月。硬件：Virdyn IMU 动捕服 + Unitree G1。 teleopkinematic retargetingsim2real

🧠 一句话心智模型：把人「穿」进机器人——操作员套上 IMU 动捕服，关节角度直接几何映射到 G1 上，不训练、不学习、不缓冲，一个控制周期内一帧对一个动作。论文核心论点是：只要映射做得对，运动学本身就够稳，不需要 RL 控制器、不需要 domain randomization。

🎯 为什么重要：用「不学习」挑战「学习派」

让人形机器人模仿人的动作，现在主流是学习派——RL 训一个全身控制器（OmniH2O、ExBody、HumanPlus…），从动捕数据学策略。这条路线效果好，但代价大：训练要几天、要仿真域随机化、要 reward 调参，换平台还得重训。

核心反问：如果只是为了遥操作采集数据（让人形机器人重现人的动作），真的需要学一个策略吗？
其实 「人的动作本身就稳」——人不会让自己摔倒。只要把人的关节意图不变形地传给机器人，机器人继承的就不仅是姿态，还有人的稳定性。

这篇论文走了这条「反潮流」的纯运动学路线，用工程上的四个小模块（运动学映射 + 关节限位 + EMA 滤波 + 同步），把「人 → 机器人」做成了一条无学习、无缓冲的实时管线。

零修改 同代码同参数直接部署

图 1：两条路线对比。学习派用「智能」补「映射不准」；本文把「映射」做精，绕开智能。

💡 核心思想：把人当 G1 的「精神导师」，几何上对齐关节意图

关键洞察是：人和 G1 的关节树虽然不同（自由度、连杆长度、关节限位都不一样），但动作意图是可对应的——「抬手」就是抬手，不管是 7-DoF 还是 6-DoF 的肩。论文用四步管线把这种意图无损地传过去：

图 2：四步管线——运动学映射（核心）、关节限位、EMA 滤波、周期同步，全部在 G1 的控制回路里同步执行。

论文 §4.5 强调一个关键性质：「model-free」——论文明确其含义是「无神经网络权重、无训练数据、无环境专属参数」，因此可立即移植到同构人形。更关键的是，整套管线只关心运动学（关节角、连杆几何），完全不碰动力学（质量、惯性、接触力），论文 §2 称其为「physics-agnostic」。这恰恰是它能 sim2real「零修改」的根因：仿真和真机的运动学是一样的，只有动力学不一样。绕开动力学，就绕开了 sim2real gap。

🛠️ 四个工程模块，每个都解决一个具体问题

模块	要解决的问题	做法
① 运动学映射	人和 G1 自由度/连杆长不一致（如人髋 vs G1 三轴髋）	按功能对应人→G1 关节；无法直接对应的用几何投影算等效角，保留动作意图
② 关节限位	命令可能超出机械硬限，伤电机	每条命令发送前 clip 到硬件限位之内，再用「软限位」留余量防饱和
③ EMA 滤波	IMU 原始估计有高频噪声，会让关节剧烈抖动	每关节一个轻量指数滑动平均，时间常数在「去噪」与「响应」之间权衡
④ 周期同步	上下身若不同步，质心轨迹会乱，影响平衡	上/下/躯干在同一个 retargeting 步里算完；无缓冲、无批处理，每帧一个命令

🔮 直觉：为什么这套简单管线能稳？
两个原因：（1）人的稳定性被「抄」了过去——操作员自己不会做摔倒的动作，机器人继承的就是平衡的轨迹；（2）EMA + 软限位是温和的「保险丝」，把 IMU 噪声和越界命令削平，剩下的就让 G1 自己的底层 PD 伺服去追。论文明确说：除了 G1 板载的低层关节伺服，没有额外的稳定化控制器。

📊 结果：sim2sim 验证 → sim2real 零修改部署

论文用两阶段验证：先在 MuJoCo 里跑通同一套 retargeting 代码（sim2sim），再把完全相同的代码烧到真机上（sim2real）。

维度	事实（来自原文）
仿真平台	MuJoCo 官方 Unitree G1 模型（Fig. 3）
sim2real 改动	零修改——无 domain adaptation、无参数 retuning、无 controller retraining
动作类别	5 大类：① 行走（前/后/原地踏步）② 坐下/站起 ③ 转身/侧移 ④ 表达性动作（鞠躬/挥手/协调手臂）⑤ 复合动作（边走边挥手）
延迟	无可感知延迟（人/机同步执行）
额外稳定控制器	无——仅靠 G1 板载低层关节伺服
训练数据 / 学习参数	无（model-free，立即移植到同构型人形）

关键洞察：本文没给量化成功率（论文是系统验证风格，非 benchmark 论文），但展示了「学习派做不到的部署速度」——同一份代码从 MuJoCo 直接搬到 G1 物理机体，没有任何 sim2real 工程。这是「运动学派」路线的最大卖点。

🌐 在领域中的位置

经典动捕重定向（离线、动画）→ 学习派遥操作（OmniH2O / HumanPlus / ExBody）→ 本文：纯运动学实时遥操作 ⭐→ 用于为人形数据采集「打底」（论文 §7.3 未来方向）

定位是「数据采集的低成本管线」，不是要替代学习派 WBC，而是给学习派供给遥操作数据——尤其适合快速给新机器人 bootstrapping 一批动捕轨迹（参考 [1] ExBody / [2] OmniH2O 的使用场景）。同线索参考 H2O、OmniH2O、BunnyVisionPro。

❓ 常见误区

「无学习」是不是说它比 RL WBC 更好？

不是同一类比较对象。RL WBC 解决的是「面对参考动作本身就不稳/不可达时，怎么让机器人不摔」；本文默认「操作员自己做的是稳的」，所以不需要学。一旦参考动作变得激烈（侧踢、跳跃），论文 §7.3 自己也承认需要引入在线 WBC 或 MPC 步态规划器。

为什么 sim2real 能零修改？

因为整套管线绕开了动力学。sim2real gap 主要来自接触、摩擦、惯性等动力学参数不一致；本文只做运动学（关节角几何），这一部分仿真和真机完全等价。论文 §2 把这点明确写了：「physics-agnostic … transfers directly without additional tuning」。

EMA 滤波会不会引入相位滞后？

会。论文 §7.3 承认 EMA 引入了「motion-speed-dependent phase lag」，并提议未来用 Kalman 滤波替代。这是这套「轻量」管线的已知代价。

它能跑敏捷动作吗（跑步、跳跃、武术）？

当前不能。论文展示的动作都是「相对慢、相对稳」的（走、坐、转身、鞠躬、挥手）。剧烈动作下，机器人平衡需要更主动的控制——这是 FAST（arXiv:2602.11929）那一类学习派 WBC 的领域。