論文の概要: SMP: Reusable Score-Matching Motion Priors for Physics-Based Character Control

• arxiv url: http://arxiv.org/abs/2512.03028v1
• Date: Tue, 02 Dec 2025 18:54:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:46.015259
• Title: SMP: Reusable Score-Matching Motion Priors for Physics-Based Character Control
• Title（参考訳）: SMP:物理に基づく文字制御のための再利用可能なスコアマッチング動作
• Authors: Yuxuan Mu, Ziyu Zhang, Yi Shi, Minami Matsumoto, Kotaro Imamura, Guy Tevet, Chuan Guo, Michael Taylor, Chang Shu, Pengcheng Xi, Xue Bin Peng,
• Abstract要約: 自然主義的行動を生み出すためのエージェントを導く行動は、人生のような仮想キャラクタを作成する上で重要な役割を担っている。 本稿では、事前学習した運動拡散モデルとスコア蒸留サンプリング(SDS)を利用して、再利用可能なタスク非依存動作前処理を生成するスコアマッチング動作優先処理(SMP)を提案する。 本手法は, 再利用可能な, モジュラーな動作前処理により, 最先端の対向的模倣学習手法に匹敵する高品質な動作を生成する。
• 参考スコア（独自算出の注目度）: 20.779031780374115
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data-driven motion priors that can guide agents toward producing naturalistic behaviors play a pivotal role in creating life-like virtual characters. Adversarial imitation learning has been a highly effective method for learning motion priors from reference motion data. However, adversarial priors, with few exceptions, need to be retrained for each new controller, thereby limiting their reusability and necessitating the retention of the reference motion data when training on downstream tasks. In this work, we present Score-Matching Motion Priors (SMP), which leverages pre-trained motion diffusion models and score distillation sampling (SDS) to create reusable task-agnostic motion priors. SMPs can be pre-trained on a motion dataset, independent of any control policy or task. Once trained, SMPs can be kept frozen and reused as general-purpose reward functions to train policies to produce naturalistic behaviors for downstream tasks. We show that a general motion prior trained on large-scale datasets can be repurposed into a variety of style-specific priors. Furthermore SMP can compose different styles to synthesize new styles not present in the original dataset. Our method produces high-quality motion comparable to state-of-the-art adversarial imitation learning methods through reusable and modular motion priors. We demonstrate the effectiveness of SMP across a diverse suite of control tasks with physically simulated humanoid characters. Video demo available at https://youtu.be/ravlZJteS20
• Abstract（参考訳）: 自然主義的行動を生み出すためのエージェントを導くことができるデータ駆動の動作先行は、ライフライクな仮想キャラクタを作成する上で重要な役割を担っている。 逆模倣学習は、参照動作データから動きの先行を学習するための非常に効果的な方法である。 しかし、敵の事前は、ほとんど例外なく、新しいコントローラごとに再訓練する必要があるため、再使用性は制限され、下流タスクでのトレーニング時に参照モーションデータの保持が必要とされる。 本研究では,事前学習した運動拡散モデルとスコア蒸留サンプリング(SDS)を利用して,再利用可能なタスク非依存動作前処理を生成するスコアマッチング動作優先処理(SMP)を提案する。 SMPは、任意の制御ポリシやタスクとは独立して、モーションデータセット上で事前トレーニングすることができる。 一度訓練されたSMPは、下流タスクの自然主義的な振る舞いを生成するためにポリシーを訓練するための汎用報酬関数として凍結して再利用することができる。 大規模データセットで事前訓練された一般的な動きは、様々なスタイル固有の先行データに再利用可能であることを示す。 さらに、SMPは、元のデータセットに存在しない新しいスタイルを合成するために、異なるスタイルを構成することができる。 本手法は, 再利用可能な, モジュラーな動作前処理により, 最先端の対向的模倣学習手法に匹敵する高品質な動作を生成する。 物理的にシミュレートされたヒューマノイド文字を用いた多種多様な制御タスクにおけるSMPの有効性を示す。 ビデオデモはhttps://youtu.be/ravlZJteS20で公開されている。

関連論文リスト

• 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)
• Neural Categorical Priors for Physics-Based Character Control [12.731392285646614]
  運動の質と多様性を大幅に改善した物理に基づく文字制御のための新しい学習フレームワークを提案する。 提案手法は強化学習(RL)を用いて,非構造的なモーションクリップからのライフライクな動きを追跡し,模倣する。 本研究は,人型文字を用いた総合実験により,下流域の難易度の高い2つの課題,剣のシールドと2人のプレーヤーによるボクシングゲームについて検討する。
  論文  参考訳（メタデータ） (2023-08-14T15:10:29Z)
• 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)
• PMP: Learning to Physically Interact with Environments using Part-wise Motion Priors [10.370115975772402]
  複数部分移動先(PMP)を組み込んだ文字をアニメーション化する手法を提案する。 提案したPMPにより,複数のパートスキルを組み立ててキャラクタをアニメーションし,既存のデータの組み合わせの異なる多様な動作セットを作成することができる。
  論文  参考訳（メタデータ） (2023-05-05T02:27:27Z)
• Executing your Commands via Motion Diffusion in Latent Space [51.64652463205012]
  本研究では,動作遅延に基づく拡散モデル(MLD)を提案し,条件付き入力に対応する鮮明な動き列を生成する。 我々のMDDは、広範囲な人体運動生成タスクにおいて、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-12-08T03:07:00Z)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• Exploring Versatile Prior for Human Motion via Motion Frequency Guidance [32.50770614788775]
  我々は、人間の動きの固有確率分布をモデル化する多目的運動を事前に学習する枠組みを学習する。 効率的な事前表現学習のために,冗長な環境情報を除去するグローバル指向正規化を提案する。 そこで我々は,環境情報を学習可能な方法で入力動作データから切り離すための認知学習手法を採用した。
  論文  参考訳（メタデータ） (2021-11-25T13:24:44Z)
• 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)

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。