2025年10月6号，亚马逊那边炸出个大新闻，他们FAR机器人团队（全称FrontierAIforRobotics）刚发布的OmniRetarget技术，搭在机器人上直接来了场“盲眼”跑酷。

30秒里，这机器人没靠任何摄像头、雷达，愣是主动搬起9斤重的椅子，爬上1米高的桌子，最后还翻个跟头跳下来。

说实话，我一开始刷到demo的时候，还以为是后期剪的，直到看了现场回放才信，这动作顺得跟提前彩排过百八十遍似的。

更绝的是它不光会耍酷，干起活也不含糊。

搬箱子的时候能精准抓稳，不用人搭手；想上桌子了，一个猛子就能跳上去；遇到坡路，手脚配合着爬也没半点卡顿。

网友看完都炸了，说“这不比特斯拉的擎天柱强10倍？”本来想觉得这话有点夸张，后来查了下擎天柱2025年的最新情况才发现，还真没太吹，擎天柱现在做类似的“移-操一体”动作，不光要慢一倍，还得靠一堆摄像头盯着环境，反观亚马逊这个“盲眼”的，纯靠自身感知就能搞定，差距一下就显出来了。

“盲眼”能干活的关键：OmniRetarget到底是个啥？

其实这机器人能这么牛，核心全靠OmniRetarget。

老实讲，我一开始听“开源数据生成引擎”这个名字，还以为是啥特别玄乎的技术，查明白才知道，简单说就是它能把人的动作，变成机器人能学的“标准化教程”。

而且这教程还不是死的，能让机器人在复杂环境里学会“又动又操作”的技能，更厉害的是，在电脑上仿真练会了，直接就能用到真实机器人上，不用再额外调参数，行业里叫“零样本迁移”，这在人形机器人领域真不算常见。

有人可能会问，不就是学人类动作吗？之前的技术不行吗？还真不一样。

以前的动作重定向技术，大多不管机器人和物体、环境的互动关系，比如机器人拿东西，可能手的姿势对了，但没考虑怎么避开桌子边缘。

OmniRetarget就专门解决了这个问题，它靠一个“交互网格”，把机器人、物体、地形之间的空间关系、接触关系都算进去，保证动作又像人，又能实际落地。

如此看来，网友说它比擎天柱强，核心不是动作花哨，而是技术思路更贴近实际使用场景。

技术拆解：靠“网格”学动作，用“强化学习”落地

OmniRetarget的核心逻辑分两部分，先靠“交互网格”把人类动作转成机器人能学的轨迹，再靠强化学习让机器人真的能在物理世界里做到。

先说这个“交互网格”。

它不是咱们平时说的网格图案，而是一个算空间关系的模型。

研究人员会把机器人的关键关节，还有从物体、环境上采的点，都当成这个“网格”的顶点。

而且采点还挺讲究，物体和环境表面的点比关节点密，说是为了更精准地保证接触关系，比如机器人手碰桌子，能准确知道该用多大劲、放在哪。

这些点会用“德劳内四面体化”技术连起来，本来想以为这技术多冷门，后来发现波士顿动力之前也用过类似的，但没像这样延伸到“机器人-物体-环境”全互动。

有了网格之后，还要让机器人学动作不走样。

他们会算一个“拉普拉斯形变能”，尽量让机器人动作和人类示范的空间关系、接触关系保持一致。

每一个时间帧，都要解决一个优化问题，比如不能让机器人撞着东西、关节速度不能超限制、支撑脚不能打滑。

而且会用上一帧的最优结果当基础，这样动作才不会卡顿。

很显然，这一步就是为了保证机器人学的动作，既像人，又符合物理规律。

然后是强化学习。

光有轨迹还不够，得让机器人真的能在现实里做到。

研究人员会给机器人输入三类信息：一是参考轨迹，比如关节该在什么位置、骨盆有没有偏；二是本体感受，比如骨盆的速度、关节现在的状态；三是上一步做了什么动作。

然后设置五类奖励，比如身体跟不跟得上参考轨迹、有没有准确拿到物体这些，保证动作质量。

同时还会故意改改物体位置、地形高度，让机器人适应不同情况，也就是“领域随机化”。

说实话，这么搞下来，机器人的泛化能力肯定比只练一个动作的强，比如今天搬这个箱子，明天换个重点的，也能应对。

实验数据也能证明这技术的实力。

在OMOMO、内部MoCap、LAFAN1这几个常用数据集上测试，OmniRetarget在穿透（比如手穿进桌子）、脚部打滑、接触保留这几个关键指标上，都比PHC、GMR、VideoMimic这些主流技术好。

就算偶尔有点轻微穿透，强化学习也能修正过来。

下游的策略成功率更明显，比所有基线技术都高10%以上，比如搬箱任务，搭了OmniRetarget的宇树G1成功率能到92%，而用PHC的才80%。

更难得的是，用增强后的数据集训练，成功率79.1%，跟只用原始动作的82.2%差不多，说明既扩大了机器人能应对的场景，又没牺牲性能。

华人学者领衔：7个月团队交出“首秀答卷”

最让人关注的，除了技术本身，还有背后的FAR团队。

这个团队成立才7个多月，前身是著名的机器人公司Covariant，核心成员包括伯克利机器人领域的大佬PieterAbbeel，他是伯克利机器人学习实验室主任，2010年代就主导过机器人抓取强化学习的突破。

而现在FAR的研究负责人，是华人学者RockyDuan。

这里还有个背景，2024年8月，亚马逊就跟Covariant达成了合作，拿到了他们技术的非排他许可，还聘用了Covariant四分之一的员工，PieterAbbeel、PeterChen这些创始人也都加入了亚马逊。

本来想以为这么短时间，团队可能还在磨合，没想到直接拿出了OmniRetarget这样的成果，而且是在人形机器人（足式）领域的首次尝试。

毫无疑问，这既说明亚马逊在机器人领域的布局决心，也能看出华人学者在核心技术研发中的主导作用，RockyDuan能牵头这个项目，本身就证明了他的技术实力。

结语

回头看这次OmniRetarget的首秀，它的意义不只是机器人会跑酷、会搬东西。

更重要的是，它解决了人形机器人领域两个关键难题：一是怎么让机器人更好地和物体、环境互动，二是怎么让仿真训练的成果快速落地到真实硬件。

这两点要是能普及，人形机器人离实际应用，比如仓储分拣、家庭服务，就更近了一步。

说实话，一开始我还担心亚马逊做机器人只是跟风，现在看来，他们是真的在沉下心搞核心技术。

FAR团队7个月出成果，华人学者领衔核心研发，技术指标还能领先行业，这几点加起来，不难看出亚马逊的“机器人野心”。

后续要是能在更多场景落地，比如亚马逊自己的仓储物流，说不定真能改变行业格局。

我现在还挺期待他们下一步的动作，毕竟这次“盲眼”跑酷，已经把大家的期待值拉满了。