論文の概要: Taxonomy-aware Dynamic Motion Generation on Hyperbolic Manifolds

• arxiv url: http://arxiv.org/abs/2509.21281v1
• Date: Thu, 25 Sep 2025 15:03:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:13.013541
• Title: Taxonomy-aware Dynamic Motion Generation on Hyperbolic Manifolds
• Title（参考訳）: 双曲型マニフォールドの分類と動的運動生成
• Authors: Luis Augenstein, Noémie Jaquier, Tamim Asfour, Leonel Rozo,
• Abstract要約: 本稿では,動きの階層構造と時間的ダイナミクスの両方を保った潜在表現を学習し,物理的整合性を確保する新しいアプローチであるacgphdmを紹介する。 この幾何学的・分類学的枠組みに基づいて、分類学的・物理的に整合な動作を生成するための3つの新しいメカニズムを提案する。 ハンドグリーピング分類における現実的な動き列の生成実験により,提案したGPHDMは,その基盤となる分類と時間的ダイナミクスを忠実に符号化し,新しい物理的に一貫性のある軌道を生成することを示した。
• 参考スコア（独自算出の注目度）: 19.719613876440313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-like motion generation for robots often draws inspiration from biomechanical studies, which often categorize complex human motions into hierarchical taxonomies. While these taxonomies provide rich structural information about how movements relate to one another, this information is frequently overlooked in motion generation models, leading to a disconnect between the generated motions and their underlying hierarchical structure. This paper introduces the \ac{gphdm}, a novel approach that learns latent representations preserving both the hierarchical structure of motions and their temporal dynamics to ensure physical consistency. Our model achieves this by extending the dynamics prior of the Gaussian Process Dynamical Model (GPDM) to the hyperbolic manifold and integrating it with taxonomy-aware inductive biases. Building on this geometry- and taxonomy-aware frameworks, we propose three novel mechanisms for generating motions that are both taxonomically-structured and physically-consistent: two probabilistic recursive approaches and a method based on pullback-metric geodesics. Experiments on generating realistic motion sequences on the hand grasping taxonomy show that the proposed GPHDM faithfully encodes the underlying taxonomy and temporal dynamics, and generates novel physically-consistent trajectories.
• Abstract（参考訳）: ロボットのための人間のような運動生成は、しばしば生体力学的研究からインスピレーションを受け、複雑な人間の動きを階層的な分類群に分類する。 これらの分類学は、動きがどのように相互に関連しているかについての豊富な構造情報を提供するが、この情報は運動生成モデルでしばしば見過ごされ、生成された動きとその基盤となる階層構造とを切断する。 本稿では、運動の階層構造と時間的ダイナミクスの両方を保った潜在表現を学習し、物理的整合性を確保するための新しいアプローチである \ac{gphdm} を紹介する。 我々のモデルは、ガウス過程力学モデル (GPDM) 以前の力学を双曲多様体に拡張し、それを分類学的に認識された帰納バイアスと統合することでこれを達成している。 この幾何学的・分類学的枠組みを基盤として,2つの確率的再帰的アプローチとプルバック計量測地学に基づく手法という,分類学的・物理的に整合な動作を生成するための3つの新しいメカニズムを提案する。 ハンドグリーピング分類における現実的な動き列の生成実験により,提案したGPHDMは,その基盤となる分類と時間的ダイナミクスを忠実にエンコードし,新しい物理的に一貫性のある軌道を生成することを示した。

関連論文リスト

• Kuramoto Orientation Diffusion Models [67.0711709825854]
  指紋やテクスチャなどのオリエンテーションに富んだ画像は、しばしばコヒーレントな角模様を示す。 生体系における位相同期の役割を動機として,スコアベース生成モデルを提案する。 一般的な画像ベンチマークで競合する結果を実装し,指紋やテクスチャなどの指向性データセットの生成品質を大幅に向上する。
  論文  参考訳（メタデータ） (2025-09-18T18:18:49Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間列を表現するために設計された新しい深部力学モデルを提案する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 振動系, ビデオ, 実世界の状態系列(MuJoCo)の実験結果から, 学習可能なエネルギーベース先行モデルの方が既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-05T18:14:22Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• Discovering mesoscopic descriptions of collective movement with neural stochastic modelling [4.7163839266526315]
  小～中規模の集団運動(sim$10-1000、別名Meso)は、順序によって非自明な特徴を示す。 ここでは、相互作用する個人の神経群ダイナミクスを特徴付けるために、物理に着想を得たネットワークベースのアプローチを用いる。 本研究では,この手法を合成と実世界の両方のデータセットに適用し,ドリフトと拡散場を用いたダイナミックスの決定論的および側面を同定する。
  論文  参考訳（メタデータ） (2023-03-17T11:49:17Z)
• Bringing motion taxonomies to continuous domains via GPLVM on hyperbolic manifolds [8.385386712928785]
  人間の動きは、人間の動きと環境との相互作用の仕方を分類する高レベルの階層的抽象化として機能する。 本稿では,関連する階層構造を捉えるハイパーボリック埋め込みを用いて分類データをモデル化することを提案する。 本モデルでは,既存の分類群や新分類群の未確認データを適切にエンコードし,EuclideanおよびVAEベースの分類群よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-04T15:19:24Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。