論文の概要: BRIC: Bridging Kinematic Plans and Physical Control at Test Time

• arxiv url: http://arxiv.org/abs/2511.20431v1
• Date: Tue, 25 Nov 2025 16:03:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-26 17:37:04.536689
• Title: BRIC: Bridging Kinematic Plans and Physical Control at Test Time
• Title（参考訳）: BRIC: キネマティックプランのブリッジとテスト時の物理制御
• Authors: Dohun Lim, Minji Kim, Jaewoon Lim, Sungchan Kim,
• Abstract要約: BRICは,拡散型運動プランナと強化学習型物理制御装置間の実行差を解消する。 BRICの動作構成,障害物回避,人間とシーンの相互作用など,長期的課題に対する有効性を検証する。
• 参考スコア（独自算出の注目度）: 5.255735926109347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose BRIC, a novel test-time adaptation (TTA) framework that enables long-term human motion generation by resolving execution discrepancies between diffusion-based kinematic motion planners and reinforcement learning-based physics controllers. While diffusion models can generate diverse and expressive motions conditioned on text and scene context, they often produce physically implausible outputs, leading to execution drift during simulation. To address this, BRIC dynamically adapts the physics controller to noisy motion plans at test time, while preserving pre-trained skills via a loss function that mitigates catastrophic forgetting. In addition, BRIC introduces a lightweight test-time guidance mechanism that steers the diffusion model in the signal space without updating its parameters. By combining both adaptation strategies, BRIC ensures consistent and physically plausible long-term executions across diverse environments in an effective and efficient manner. We validate the effectiveness of BRIC on a variety of long-term tasks, including motion composition, obstacle avoidance, and human-scene interaction, achieving state-of-the-art performance across all tasks.
• Abstract（参考訳）: 本研究では,拡散型運動プランナと強化学習型物理制御装置の動作不一致を解消し,長期の人体動作生成を可能にする新しいテスト時間適応(TTA)フレームワークBRICを提案する。 拡散モデルは、テキストやシーンコンテキストで条件付けられた多様で表現力のある動きを生成できるが、物理的に予測不可能な出力をしばしば生成し、シミュレーション中に実行のドリフトを引き起こす。 これを解決するため、BRICは物理コントローラを試験時にノイズの多い動作計画に動的に適応させ、破滅的な忘れを緩和する損失関数を介して事前訓練されたスキルを保留する。 さらに、BRICは信号空間内の拡散モデルをパラメータを更新することなく制御する軽量なテスト時間誘導機構を導入している。 BRICは、両方の適応戦略を組み合わせることで、多種多様な環境における一貫性と物理的に妥当な長期実行を効果的かつ効率的な方法で保証する。 BRICの動作構成,障害物回避,ヒューマン・シーンのインタラクションなど,長期的タスクにおける有効性を検証する。

関連論文リスト

• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Diffuse-CLoC: Guided Diffusion for Physics-based Character Look-ahead Control [16.319698848279966]
  物理に基づくルックアヘッド制御のためのガイド付き拡散フレームワークであるDiffuse-CLoCを提案する。 直感的で、ステアブルで、物理的にリアルなモーション生成を可能にする。
  論文  参考訳（メタデータ） (2025-03-14T18:42:29Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
  本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。 提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。 我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
  論文  参考訳（メタデータ） (2025-01-16T16:45:08Z)
• Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
  リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。 我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。 本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
  論文  参考訳（メタデータ） (2023-06-01T07:48:34Z)

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。