Fugu-MT 論文翻訳(概要): CooHOI: Learning Cooperative Human-Object Interaction with Manipulated Object Dynamics

論文の概要: CooHOI: Learning Cooperative Human-Object Interaction with Manipulated Object Dynamics

arxiv url: http://arxiv.org/abs/2406.14558v1
Date: Thu, 20 Jun 2024 17:59:22 GMT
ステータス: 処理完了
システム内更新日: 2024-06-21 12:09:55.230315
Title: CooHOI: Learning Cooperative Human-Object Interaction with Manipulated Object Dynamics
Title（参考訳）: Coohoi: 操作対象ダイナミクスを用いた協調的オブジェクトインタラクションの学習
Authors: Jiawei Gao, Ziqin Wang, Zeqi Xiao, Jingbo Wang, Tai Wang, Jinkun Cao, Xiaolin Hu, Si Liu, Jifeng Dai, Jiangmiao Pang,
Abstract要約: 本稿では,2段階の学習パラダイムを通した多文字オブジェクトを扱う新しいフレームワークであるCooHOIを紹介する。 CooHOIは本質的に効率的であり、マルチキャラクタ相互作用のモーションキャプチャーデータに依存しず、より多くの参加者を含むようにシームレスに拡張することができる。
参考スコア（独自算出の注目度）: 44.30880626337739
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent years have seen significant advancements in humanoid control, largely due to the availability of large-scale motion capture data and the application of reinforcement learning methodologies. However, many real-world tasks, such as moving large and heavy furniture, require multi-character collaboration. Given the scarcity of data on multi-character collaboration and the efficiency challenges associated with multi-agent learning, these tasks cannot be straightforwardly addressed using training paradigms designed for single-agent scenarios. In this paper, we introduce Cooperative Human-Object Interaction (CooHOI), a novel framework that addresses multi-character objects transporting through a two-phase learning paradigm: individual skill acquisition and subsequent transfer. Initially, a single agent learns to perform tasks using the Adversarial Motion Priors (AMP) framework. Following this, the agent learns to collaborate with others by considering the shared dynamics of the manipulated object during parallel training using Multi Agent Proximal Policy Optimization (MAPPO). When one agent interacts with the object, resulting in specific object dynamics changes, the other agents learn to respond appropriately, thereby achieving implicit communication and coordination between teammates. Unlike previous approaches that relied on tracking-based methods for multi-character HOI, CooHOI is inherently efficient, does not depend on motion capture data of multi-character interactions, and can be seamlessly extended to include more participants and a wide range of object types
Abstract（参考訳）: 近年、大規模なモーションキャプチャーデータと強化学習手法の適用により、ヒューマノイド制御が大幅に進歩している。しかし、大型で重い家具を移動させるような現実的なタスクの多くは、複数文字の協調を必要とする。マルチエージェント協調に関するデータの不足とマルチエージェント学習に関連する効率上の課題を考えると、これらのタスクは単一エージェントシナリオ用に設計されたトレーニングパラダイムを使って簡単に対処することはできない。本稿では,2段階の学習パラダイムを通した複数文字オブジェクトを扱う新しいフレームワークであるCooHOIを紹介する。最初は、単一のエージェントがAdversarial Motion Priors (AMP)フレームワークを使ってタスクを実行することを学習する。その後、エージェントは、MAPPO(Multi Agent Proximal Policy Optimization)を用いた並列トレーニングにおいて、操作対象の共有ダイナミクスを考慮し、他のエージェントと協調することを学ぶ。あるエージェントがオブジェクトと対話し、特定のオブジェクトのダイナミクスが変化すると、他のエージェントは適切な応答を学習し、暗黙のコミュニケーションとチームメイト間の調整を行う。従来のマルチキャラクタHOIのトラッキングに基づく手法とは異なり、CooHOIは本質的に効率的であり、マルチキャラクタインタラクションのモーションキャプチャデータに依存しず、より多くの参加者と幅広いオブジェクトタイプを含むようにシームレスに拡張できる。

関連論文リスト

Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
論文参考訳（メタデータ） (2024-10-15T07:35:51Z)
in2IN: Leveraging individual Information to Generate Human INteractions [29.495166514135295]
In2IN(in2IN)は、人間と人間の動作生成を個別に記述した新しい拡散モデルである。 In2INで生成された動きと、HumanML3Dで事前訓練された1人の動きによって生成された動きとを組み合わせたモデル合成手法であるDualMDMを提案する。
論文参考訳（メタデータ） (2024-04-15T17:59:04Z)
Learning Multimodal Latent Dynamics for Human-Robot Interaction [19.803547418450236]
本稿では,ヒト-ヒトインタラクション(HHI)から協調型人間-ロボットインタラクション(HRI)を学習する方法を提案する。本研究では,隠れマルコフモデル(HMM)を変分オートエンコーダの潜在空間として用いて,相互作用するエージェントの結合分布をモデル化するハイブリッドアプローチを考案する。ユーザが私たちのメソッドを,より人間らしく,タイムリーで,正確なものと認識し,他のベースラインよりも高い優先度でメソッドをランク付けすることが分かりました。
論文参考訳（メタデータ） (2023-11-27T23:56:59Z)
InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
論文参考訳（メタデータ） (2023-11-27T14:32:33Z)
Object Motion Guided Human Motion Synthesis [22.08240141115053]
大規模物体の操作におけるフルボディ人体動作合成の問題点について検討する。条件付き拡散フレームワークであるOMOMO(Object Motion Guided Human Motion synthesis)を提案する。我々は、操作対象物にスマートフォンを装着するだけで、全身の人間の操作動作をキャプチャする新しいシステムを開発した。
論文参考訳（メタデータ） (2023-09-28T08:22:00Z)
HODN: Disentangling Human-Object Feature for HOI Detection [51.48164941412871]
本稿では,Human and Object Disentangling Network (HODN) を提案し,Human-Object Interaction (HOI) の関係を明示的にモデル化する。インタラクションに人間的特徴がより寄与していることを考慮し,インタラクションデコーダが人間中心の領域に焦点を当てていることを確認するためのヒューマンガイドリンク手法を提案する。提案手法は,V-COCOとHICO-Det Linkingデータセットの競合性能を実現する。
論文参考訳（メタデータ） (2023-08-20T04:12:50Z)
Task-Oriented Human-Object Interactions Generation with Implicit Neural Representations [61.659439423703155]
TOHO: 命令型ニューラル表現を用いたタスク指向型ヒューマンオブジェクトインタラクション生成本手法は時間座標のみでパラメータ化される連続運動を生成する。この研究は、一般的なヒューマン・シーンの相互作用シミュレーションに向けて一歩前進する。
論文参考訳（メタデータ） (2023-03-23T09:31:56Z)
CLAS: Coordinating Multi-Robot Manipulation with Central Latent Action Spaces [9.578169216444813]
本稿では,異なるエージェント間で共有される学習された潜在行動空間を通じて,マルチロボット操作を協調する手法を提案する。シミュレーションされたマルチロボット操作タスクにおいて本手法を検証し,サンプル効率と学習性能の観点から,従来のベースラインよりも改善したことを示す。
論文参考訳（メタデータ） (2022-11-28T23:20:47Z)
MILD: Multimodal Interactive Latent Dynamics for Learning Human-Robot Interaction [34.978017200500005]
我々は,HRI(Human-Robot Interactions)の問題に対処するために,MILD(Multimodal Interactive Latent Dynamics)を提案する。変分オートエンコーダ(VAE)の潜時空間における相互作用エージェントの結合分布をモデル化するために,Hidden Semi-Markov Models (HSMMs) を用いて実演から相互作用ダイナミクスを学習する。 MILDは、観察されたエージェント(人間の)軌道に条件付けされたときに、制御されたエージェント(ロボット)に対してより正確な軌道を生成する。
論文参考訳（メタデータ） (2022-10-22T11:25:11Z)
LEMMA: A Multi-view Dataset for Learning Multi-agent Multi-task Activities [119.88381048477854]
LEMMAデータセットを導入し、細心の注意深い設定で、行方不明な次元に対処するための単一の家を提供する。我々は、人間と物体の相互作用による原子間相互作用を密に注釈し、日常の活動の構成性、スケジューリング、割り当ての土台として提供する。この取り組みにより、マシンビジョンコミュニティは、目標指向の人間活動を調べ、現実世界におけるタスクのスケジューリングと割り当てをさらに研究できることを期待します。
論文参考訳（メタデータ） (2020-07-31T00:13:54Z)

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。