人形机器人通过人类视频模仿操控任务

人形机器人领域有一个价值百万美元问题，就是如何利用互联网上已有的视频进行训练，OKAMI 就一个能使人形机器人通过单一人类视频模仿操控任务的项目。

OKAMI 算法从单个RGB-D视频生成参考计划，并推导出遵循该计划完成任务的策略，OKAMI 包括了两阶段方法，使人形机器人能够从单个人类视频中模仿操作任务。

第一阶段帮助人形机器人理解无动作视频中发生的事情：

使用VLM识别任务相关物体

跟踪整个视频中的物体运动

使用人体重建模型获取SMPL-H轨迹

基于物体关键点速度识别子目标

将所有信息整合形成参考计划

第二阶段通过物体感知重定向合成人形机器人动作：

定位任务相关物体并检索子目标

使用逆运动学和精确重定向将SMPL-H轨迹重定向到人形机器人

根据测试时物体位置调整轨迹

将轨迹发送到真实机器人执行

OKAMI 为在日常环境中部署人形机器人提供了新思路，使人形机器人能够通过单个人类视频快速适应新任务。我们的实验表明，OKAMI 比基准方法的性能提高了 58.33%，同时展示了在不同视觉和空间条件下的系统性泛化能力。