論文の概要: Real-Time Inverse Kinematics for Generating Multi-Constrained Movements of Virtual Human Characters

• arxiv url: http://arxiv.org/abs/2507.00792v1
• Date: Tue, 01 Jul 2025 14:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-03 14:22:59.664116
• Title: Real-Time Inverse Kinematics for Generating Multi-Constrained Movements of Virtual Human Characters
• Title（参考訳）: 仮想人物の多拘束運動生成のためのリアルタイム逆運動学
• Authors: Hendric Voss, Stefan Kopp,
• Abstract要約: 本稿では,現実的な人間のような運動生成に特化して設計された,新しいリアルタイム逆キネマティクス(IK)解法を提案する。 本手法は,前方および逆運動学を微分可能な演算として扱うことにより,誤差蓄積や複雑な関節限界といった共通問題に効果的に対処する。 その結果,IKソルバは高速収束,反復時間あたりの計算オーバーヘッドの最小化,既存手法と比較して成功率の向上を実現していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generating accurate and realistic virtual human movements in real-time is of high importance for a variety of applications in computer graphics, interactive virtual environments, robotics, and biomechanics. This paper introduces a novel real-time inverse kinematics (IK) solver specifically designed for realistic human-like movement generation. Leveraging the automatic differentiation and just-in-time compilation of TensorFlow, the proposed solver efficiently handles complex articulated human skeletons with high degrees of freedom. By treating forward and inverse kinematics as differentiable operations, our method effectively addresses common challenges such as error accumulation and complicated joint limits in multi-constrained problems, which are critical for realistic human motion modeling. We demonstrate the solver's effectiveness on the SMPLX human skeleton model, evaluating its performance against widely used iterative-based IK algorithms, like Cyclic Coordinate Descent (CCD), FABRIK, and the nonlinear optimization algorithm IPOPT. Our experiments cover both simple end-effector tasks and sophisticated, multi-constrained problems with realistic joint limits. Results indicate that our IK solver achieves real-time performance, exhibiting rapid convergence, minimal computational overhead per iteration, and improved success rates compared to existing methods. The project code is available at https://github.com/hvoss-techfak/TF-JAX-IK
• Abstract（参考訳）: コンピュータグラフィックス、インタラクティブな仮想環境、ロボット工学、バイオメカニクスにおける様々な応用において、正確で現実的な仮想人間の動きをリアルタイムで生成することが重要である。 本稿では,現実的な人間のような運動生成に特化して設計された,新しいリアルタイム逆キネマティクス(IK)解法を提案する。 TensorFlowの自動微分とジャスト・イン・タイムのコンパイルを活用して、提案した解法は、高度な自由度を持つ複雑な人間の骨格を効率的に扱う。 本手法は,前方および逆運動学を微分可能な操作として扱うことにより,現実的な人間の動作モデリングにおいて重要な多制約問題において,誤差蓄積や複雑な関節制限といった共通課題に効果的に対処する。 SMPLX人間の骨格モデルにおける解法の有効性を実証し,CCD (Cydic Coordinate Descent) やFABRIK, 非線形最適化アルゴリズム IPOPT など,広く使用されている反復型IKアルゴリズムに対して性能評価を行った。 実験では, 単純なエンドエフェクタタスクと, 現実的な関節限界を伴う高度で多制約な問題の両方について検討した。 その結果,IKソルバは高速収束,反復時間あたりの計算オーバーヘッドの最小化,既存手法と比較して成功率の向上を実現していることがわかった。 プロジェクトのコードはhttps://github.com/hvoss-techfak/TF-JAX-IKで公開されている。

関連論文リスト

• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Learning Quadruped Locomotion Using Differentiable Simulation [31.80380408663424]
  微分可能シミュレーションは、高速収束と安定した訓練を約束する。 本研究はこれらの課題を克服するための新しい微分可能シミュレーションフレームワークを提案する。 我々のフレームワークは並列化なしで数分で四足歩行を学習できる。
  論文  参考訳（メタデータ） (2024-03-21T22:18:59Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with Spatial-temporal Decomposition [67.46012350241969]
  本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。 元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。 本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
  論文  参考訳（メタデータ） (2023-02-20T19:36:52Z)
• Accelerated Policy Learning with Parallel Differentiable Simulation [59.665651562534755]
  微分可能シミュレータと新しいポリシー学習アルゴリズム(SHAC)を提案する。 本アルゴリズムは,スムーズな批判機能により局所最小化の問題を軽減する。 現状のRLと微分可能なシミュレーションベースアルゴリズムと比較して,サンプル効率と壁面時間を大幅に改善した。
  論文  参考訳（メタデータ） (2022-04-14T17:46:26Z)
• PlasticineLab: A Soft-Body Manipulation Benchmark with Differentiable Physics [89.81550748680245]
  PasticineLabと呼ばれる新しい微分可能な物理ベンチマークを導入する。 各タスクにおいて、エージェントはマニピュレータを使用して、プラスチックを所望の構成に変形させる。 本稿では,既存の強化学習(RL)手法と勾配に基づく手法について評価する。
  論文  参考訳（メタデータ） (2021-04-07T17:59:23Z)
• AP-MTL: Attention Pruned Multi-task Learning Model for Real-time Instrument Detection and Segmentation in Robot-assisted Surgery [23.33984309289549]
  高解像度画像の検出とセグメンテーションのためのリアルタイムロボットシステムの訓練は、限られた計算資源で難しい問題となる。 重み付きエンコーダとタスク認識検出とセグメンテーションデコーダを備えた,エンドツーエンドのトレーニング可能なリアルタイムマルチタスク学習モデルを開発した。 我々のモデルは最先端のセグメンテーションモデルや検出モデルよりも優れており、最も優れたモデルもその課題である。
  論文  参考訳（メタデータ） (2020-03-10T14:24:51Z)

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。