Kinematische retargeting: bewegingen overzetten naar een ander lichaam

Bijgewerkt: 12 augustus 2026 · 7 min leestijd

Stel je voor: een mocap-pak (motion capture, een pak met sensoren dat beweging vastlegt) registreert hoe een danser een pirouette maakt. Die beweging bestaat uit honderden getallen per seconde: de hoekstanden van schouders, ellebogen, heupen en knieën. Nu wil je diezelfde pirouette laten uitvoeren door een robot met kortere armen, stijvere heupen en maar twee vingers per hand. Simpelweg de hoekwaarden kopiëren werkt niet: de robot valt om, of de beweging oogt houterig en onnatuurlijk. Kinematische retargeting is de verzameling technieken die dit probleem oplost: ze herberekent een beweging zodat die past bij een ander lichaam, zonder de essentie van de oorspronkelijke beweging te verliezen.

De term duikt de laatste tijd vaker op in berichtgeving over humanoïde robots die dansen, lopen of taken uitvoeren die ze hebben "afgekeken" van mensen. Het concept zelf is echter niet nieuw: animatiestudio's gebruiken het al sinds de jaren negentig om motion capture van acteurs over te zetten op digitale personages met andere lichaamsverhoudingen. Wat wél nieuw is, is de toepassing op fysieke robots die daadwerkelijk moeten blijven staan, balanceren en niet tegen zichzelf aan botsen — een uitdaging die verder gaat dan alleen mooie plaatjes op een scherm.

Wat is het precies?

Om retargeting te begrijpen, helpt het om eerst te weten wat een "kinematische keten" is. Elk bewegend lichaam — mens, robot of digitaal personage — kan worden voorgesteld als een keten van botten (segmenten) verbonden door gewrichten (joints). Elk gewricht heeft een bepaald aantal vrijheidsgraden (degrees of freedom, DOF): een elleboog kan meestal maar één kant op buigen (1 DOF), terwijl een schouder in meerdere richtingen kan draaien (tot 3 DOF). De volledige verzameling botlengtes, gewrichten en hun bewegingsgrenzen vormt samen de kinematische structuur van een lichaam.

Het probleem ontstaat omdat de bronstructuur (bijvoorbeeld een mens) en de doelstructuur (bijvoorbeeld een robot) zelden identiek zijn. Botlengtes verschillen, sommige gewrichten ontbreken of hebben minder bewegingsvrijheid, en de grenzen waarbinnen een gewricht mag bewegen liggen anders. Retargeting-software moet dus een vertaling maken: gegeven de beweging van het bronlichaam, wat is de beweging van het doellichaam die er zo veel mogelijk op lijkt, zonder de fysieke grenzen van dat doellichaam te overschrijden?

Klassieke methodes pakken dit aan met inverse kinematica (IK): in plaats van gewrichtshoeken direct te kopiëren, berekent de software eerst waar belangrijke lichaamsdelen naartoe bewegen — een hand, een voet, het bekken — en zoekt vervolgens de gewrichtshoeken van het doellichaam die dat eindpunt zo goed mogelijk benaderen. Daarbij worden vaak aanvullende regels (constraints) meegegeven: houd de voeten op de grond tijdens een stap, laat de arm niet door het lichaam heen bewegen, respecteer de maximale hoek van een motor. Modernere systemen gebruiken neurale netwerken die, getraind op veel voorbeelden, zelf leren welke doelbeweging het beste bij een bronbeweging past — vaak in combinatie met reinforcement learning (de robot laten oefenen door in simulatie duizenden keren te vallen en weer op te staan), zodat de beweging niet alleen goed oogt, maar ook daadwerkelijk stabiel is.

Wat wil men ermee bereiken?

De centrale belofte is dat ontwikkelaars niet voor elke robot of elk personage opnieuw hoeven te programmeren hoe een beweging eruitziet. Menselijke beweging is namelijk buitengewoon rijk en lastig om vanaf nul te ontwerpen: denk aan de subtiliteit van lopen, grijpen of dansen. Door bestaande menselijke bewegingsdata — verzameld via motion capture, video of teleoperatie — te hergebruiken, besparen ontwikkelaars veel tijd en krijgen robots en digitale personages natuurlijkere, meer levensechte bewegingen.

In de robotica speelt nog een tweede doel mee: imitatieleren. Door mensen te laten voordoen hoe een taak moet worden uitgevoerd — een deur openen, een kopje oppakken, een stap opzij zetten bij verlies van balans — en die demonstratie via retargeting om te zetten naar robotbewegingen, kan een robot sneller leren dan wanneer hij alles zelf via vallen en opstaan moet ontdekken. Retargeting vormt in die context de schakel tussen menselijke demonstraties en robotbesturing.

In animatie en games is het doel vooral efficiëntie: één mocap-sessie met een acteur kan worden hergebruikt voor tientallen personages van uiteenlopende afmetingen, van een klein kind tot een reus, zonder dat de acteur de scène telkens opnieuw hoeft te spelen.

Voorbeelden uit de praktijk

De grondlegger (1998): onderzoeker Michael Gleicher, destijds verbonden aan Apple Computer en kort daarna hoogleraar aan de University of Wisconsin-Madison, publiceerde het invloedrijke artikel "Retargetting Motion to New Characters" op de vakconferentie SIGGRAPH. Dat werk legde met behulp van inverse kinematica en optimalisatie de wiskundige basis die tot op vandaag terugkomt in animatiesoftware.

Film en games: software zoals Autodesk MotionBuilder, met de zogeheten HumanIK-engine, wordt al decennia gebruikt in filmstudio's en gamestudio's om mocap-opnames van acteurs te retargeten naar personages met een andere lichaamsbouw dan de acteur zelf.

Unitree's dansende robots (2023-2024): het Chinese robotbedrijf Unitree liet zijn humanoïde robots H1 en G1 herhaaldelijk dansbewegingen uitvoeren die zijn afgeleid van opnames van menselijke dansers. De bewegingen worden via retargeting-algoritmes vertaald naar bewegingen die passen bij de kortere ledematen en beperktere gewrichtshoeken van de robot, vaak aangevuld met reinforcement learning in simulatie om de balans te bewaren.

Imitatieleren bij Figure AI: het Amerikaanse robotbedrijf Figure AI presenteerde een neuraal besturingssysteem genaamd Helix, waarbij menselijke demonstraties — deels verzameld via teleoperatie, waarbij een mens op afstand de armen van de robot bestuurt — worden gebruikt om de robot manipulatietaken te leren. Retargeting zorgt hier voor de vertaalslag tussen de bewegingen van de menselijke operator en het robotlichaam.

Visuele effecten (doorlopend): studio's als Weta FX (bekend van onder meer de Avatar-films en het personage Gollum in The Lord of the Rings) gebruiken geavanceerde, deels zelfontwikkelde retargeting-pijplijnen om de performance capture van acteurs over te zetten naar digitale wezens met compleet andere lichaamsverhoudingen dan de mens die de rol inspeelde.

Hoe ver is de techniek?

In de animatiewereld is kinematische retargeting volwassen technologie: het is al decennia een standaardonderdeel van professionele software en wordt dagelijks gebruikt in films, series en games. De grootste uitdagingen daar zijn inmiddels vooral esthetisch — ziet de beweging er natuurlijk uit? — in plaats van fundamenteel technisch.

In de robotica ligt dat anders. Daar is retargeting nog volop in ontwikkeling, omdat een robot niet alleen kinematisch moet kloppen (de juiste gewrichtshoeken), maar ook dynamisch stabiel moet blijven: hij mag niet omvallen, moet zijn gewicht in balans houden en mag zichzelf niet beschadigen door onmogelijke bewegingen te proberen. Daarom wordt retargeting in de praktijk vaak gecombineerd met natuurkundige simulatie en reinforcement learning, waarbij een robot in een virtuele omgeving duizenden keren "valt en weer opstaat" voordat een beweging op het echte apparaat wordt uitgeprobeerd.

Een belangrijk obstakel is het verschil in vrijheidsgraden: een mensenhand heeft tientallen bewegingsmogelijkheden, terwijl de meeste robothanden er veel minder hebben, met doorgaans twee tot vier vingers. Dat maakt het soms onmogelijk om een menselijke grijpbeweging één-op-één te vertalen; ontwikkelaars moeten dan keuzes maken over welk deel van de beweging het belangrijkst is om te behouden. Ook verschillen in massa en zwaartepunt tussen mens en robot zorgen ervoor dat een beweging die voor een mens stabiel is, een robot juist uit balans kan brengen.

Toonaangevende mijlpalen van de afgelopen jaren zijn onder meer robots die complexe dansroutines of eenvoudige huishoudelijke taken kunnen nabootsen kort nadat een mens ze heeft voorgedaan. Toch blijft dit doorgaans beperkt tot gecontroleerde demonstraties; robuuste, algemeen inzetbare retargeting die in elke willekeurige situatie betrouwbaar werkt, is nog niet gerealiseerd. Onderzoekers zijn het er niet over eens hoe snel dat wél zal lukken.

Wie werken eraan?

In de robotica investeren zowel gevestigde bedrijven als jonge start-ups in retargeting-onderzoek. Voorbeelden zijn het Amerikaanse Boston Dynamics (onderdeel van het Zuid-Koreaanse Hyundai), het Chinese Unitree Robotics, de Amerikaanse start-ups Figure AI en 1X Technologies (met Noorse wortels), Sanctuary AI uit Canada, en Tesla met zijn Optimus-project. Ook Agility Robotics, bekend van de tweevoetige robot Digit, werkt aan vergelijkbare technieken.

Op academisch vlak lopen onderzoeksgroepen aan onder meer Carnegie Mellon University, Stanford University, MIT en de Zwitserse ETH Zürich voorop in het combineren van retargeting met reinforcement learning voor humanoïde en viervoetige robots. Het oorspronkelijke werk in de computeranimatie kwam voort uit onderzoek verbonden aan de University of Wisconsin-Madison en wordt sindsdien wereldwijd verder ontwikkeld, met de jaarlijkse SIGGRAPH-conferentie als belangrijk podium. In de robotica zijn de conferenties ICRA en IROS de belangrijkste plekken waar nieuwe retargeting-methodes worden gepresenteerd.

Ten slotte blijft de animatie- en gamesindustrie een belangrijke drijvende kracht: bedrijven als Autodesk, ontwikkelaar van MotionBuilder en Maya, en grote studio's als Weta FX bouwen en verfijnen al jarenlang de gereedschappen die mede de basis vormen voor technieken die nu ook in de robotica worden toegepast.