論文の概要: Programmable Motion Generation for Open-Set Motion Control Tasks

• arxiv url: http://arxiv.org/abs/2405.19283v1
• Date: Wed, 29 May 2024 17:14:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-30 16:02:26.479505
• Title: Programmable Motion Generation for Open-Set Motion Control Tasks
• Title（参考訳）: オープンセット動作制御タスクのためのプログラム可能な動作生成
• Authors: Hanchao Liu, Xiaohang Zhan, Shaoli Huang, Tai-Jiang Mu, Ying Shan,
• Abstract要約: 我々は新しいパラダイム、プログラム可能なモーション生成を導入する。 このパラダイムでは、任意の運動制御タスクは原子制約の組み合わせに分解される。 これらの制約は、運動列がそれに付着する程度を定量化するエラー関数にプログラムされる。
• 参考スコア（独自算出の注目度）: 51.73738359209987
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Character animation in real-world scenarios necessitates a variety of constraints, such as trajectories, key-frames, interactions, etc. Existing methodologies typically treat single or a finite set of these constraint(s) as separate control tasks. They are often specialized, and the tasks they address are rarely extendable or customizable. We categorize these as solutions to the close-set motion control problem. In response to the complexity of practical motion control, we propose and attempt to solve the open-set motion control problem. This problem is characterized by an open and fully customizable set of motion control tasks. To address this, we introduce a new paradigm, programmable motion generation. In this paradigm, any given motion control task is broken down into a combination of atomic constraints. These constraints are then programmed into an error function that quantifies the degree to which a motion sequence adheres to them. We utilize a pre-trained motion generation model and optimize its latent code to minimize the error function of the generated motion. Consequently, the generated motion not only inherits the prior of the generative model but also satisfies the required constraints. Experiments show that we can generate high-quality motions when addressing a wide range of unseen tasks. These tasks encompass motion control by motion dynamics, geometric constraints, physical laws, interactions with scenes, objects or the character own body parts, etc. All of these are achieved in a unified approach, without the need for ad-hoc paired training data collection or specialized network designs. During the programming of novel tasks, we observed the emergence of new skills beyond those of the prior model. With the assistance of large language models, we also achieved automatic programming. We hope that this work will pave the way for the motion control of general AI agents.
• Abstract（参考訳）: 現実世界のシナリオにおけるキャラクタアニメーションは、トラジェクトリ、キーフレーム、インタラクションなど、さまざまな制約を必要とする。 既存の方法論は通常、これらの制約の単一あるいは有限の集合を独立した制御タスクとして扱う。 それらはしばしば特殊化され、それらが対処するタスクはめったに拡張可能であるか、カスタマイズ可能である。 我々はこれらをクローズセット運動制御問題の解として分類する。 実用的な動作制御の複雑さに対応するため,オープンセット動作制御問題の解法と解法を提案する。 この問題は、オープンで完全にカスタマイズ可能なモーションコントロールタスクによって特徴づけられる。 そこで本研究では,新しいパラダイムであるプログラム可能なモーション生成手法を提案する。 このパラダイムでは、任意の運動制御タスクは原子制約の組み合わせに分解される。 これらの制約は、運動列がそれに付着する程度を定量化するエラー関数にプログラムされる。 事前学習した動き生成モデルを用いて、その潜時符号を最適化し、生成した動きの誤差関数を最小化する。 したがって、生成された動きは生成モデルの先行を継承するだけでなく、必要となる制約を満たす。 実験により、幅広い未知のタスクに対処する際に、高品質な動作を生成できることが示されている。 これらのタスクには、モーションダイナミクス、幾何学的制約、物理法則、シーンとの相互作用、オブジェクトやキャラクター自身の身体部分などによるモーションコントロールが含まれる。 これらはすべて、アドホックなペアのトレーニングデータ収集や特殊なネットワーク設計を必要とせずに、統一されたアプローチで実現される。 新規タスクのプログラミングにおいて,従来のモデルを超える新しいスキルの出現を観察した。 大規模言語モデルの助けを借りて、自動プログラミングも達成しました。 この研究が、一般的なAIエージェントのモーションコントロールの道を開くことを願っている。

関連論文リスト

• MotionGPT-2: A General-Purpose Motion-Language Model for Motion Generation and Understanding [76.30210465222218]
  MotionGPT-2は、MLMLM(Large Motion-Language Model)である。 LLM(Large Language Models)によるマルチモーダル制御をサポートしている。 難易度の高い3次元全体運動生成タスクに高い適応性を持つ。
  論文  参考訳（メタデータ） (2024-10-29T05:25:34Z)
• MaskedMimic: Unified Physics-Based Character Control Through Masked Motion Inpainting [38.15158715821526]
  MaskedMimicは、物理に基づく文字制御を一般的なモーションインペイント問題として定式化する新しいアプローチである。 MaskedMimicは、モーションインペイントによる文字制御を統一することにより、多目的な仮想文字を生成する。 これらのキャラクターは複雑なシーンに動的に適応し、必要に応じて多様な動きを構成でき、よりインタラクティブで没入的な体験を可能にする。
  論文  参考訳（メタデータ） (2024-09-22T11:10:59Z)
• CrowdMoGen: Zero-Shot Text-Driven Collective Motion Generation [44.9991846328409]
  群衆運動生成は、アニメーションやゲームなどのエンターテイメント産業や、都市シミュレーションや計画といった戦略的分野において不可欠である。 このフレームワークはLarge Language Model(LLM)のパワーを利用して、集合的なインテリジェンスをモーション生成フレームワークに組み込む。 本フレームワークは,(1)特定のシーン状況に応じた動きや動特性の調整を学習する群集シーンプランナ,(2)必要な集合運動を効率的に合成する集合モーションジェネレータの2つの重要な構成要素から構成される。
  論文  参考訳（メタデータ） (2024-07-08T17:59:36Z)
• Motion-Agent: A Conversational Framework for Human Motion Generation with LLMs [67.59291068131438]
  Motion-Agentは、一般的な人間の動きの生成、編集、理解のために設計された会話フレームワークである。 Motion-Agentはオープンソースの事前学習言語モデルを使用して、モーションとテキストのギャップを埋める生成エージェントであるMotionLLMを開発した。
  論文  参考訳（メタデータ） (2024-05-27T09:57:51Z)
• CoMo: Controllable Motion Generation through Language Guided Pose Code Editing [57.882299081820626]
  本稿では,制御可能なモーション生成モデルであるCoMoについて紹介する。 CoMoは、動きを離散的で意味のあるポーズコードに分解する。 自動的にポーズコードのシーケンスを生成し、それを3Dモーションにデコードする。
  論文  参考訳（メタデータ） (2024-03-20T18:11:10Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• AMP: Adversarial Motion Priors for Stylized Physics-Based Character Control [145.61135774698002]
  我々は,与えられたシナリオで追跡するキャラクタの動作を選択するための完全自動化手法を提案する。 キャラクタが実行するべきハイレベルなタスク目標は、比較的単純な報酬関数によって指定できる。 キャラクタの動作の低レベルスタイルは、非構造化モーションクリップのデータセットによって指定できる。 本システムでは,最先端のトラッキング技術に匹敵する高品質な動作を生成する。
  論文  参考訳（メタデータ） (2021-04-05T22:43:14Z)
• Character Controllers Using Motion VAEs [9.806910643086045]
  動きのvaesを用いて,人間の運動のデータ駆動生成モデルを学ぶ。 計画や制御アルゴリズムは、このアクション空間を使って望ましい動きを生成することができる。
  論文  参考訳（メタデータ） (2021-03-26T05:51:41Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。