論文の概要: Multi-Domain Motion Embedding: Expressive Real-Time Mimicry for Legged Robots

• arxiv url: http://arxiv.org/abs/2512.07673v1
• Date: Mon, 08 Dec 2025 16:07:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.207288
• Title: Multi-Domain Motion Embedding: Expressive Real-Time Mimicry for Legged Robots
• Title（参考訳）: マルチドメインモーション埋め込み:レッグロボットのための表現力のあるリアルタイムミミリー
• Authors: Matthias Heyrman, Chenhao Li, Victor Klemm, Dongho Kang, Stelian Coros, Marco Hutter,
• Abstract要約: 動きの表現は、ロボットがリアルタイムで表現行動の模倣を可能にするために不可欠である。 本稿では,構造的特徴と非構造的特徴の埋め込みを統一する動作表現であるMDMEについて述べる。 MDMEはゼロショット展開により,新しい動作スタイルをリアルタイムで再現できることを示す。
• 参考スコア（独自算出の注目度）: 29.27028801414483
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective motion representation is crucial for enabling robots to imitate expressive behaviors in real time, yet existing motion controllers often ignore inherent patterns in motion. Previous efforts in representation learning do not attempt to jointly capture structured periodic patterns and irregular variations in human and animal movement. To address this, we present Multi-Domain Motion Embedding (MDME), a motion representation that unifies the embedding of structured and unstructured features using a wavelet-based encoder and a probabilistic embedding in parallel. This produces a rich representation of reference motions from a minimal input set, enabling improved generalization across diverse motion styles and morphologies. We evaluate MDME on retargeting-free real-time motion imitation by conditioning robot control policies on the learned embeddings, demonstrating accurate reproduction of complex trajectories on both humanoid and quadruped platforms. Our comparative studies confirm that MDME outperforms prior approaches in reconstruction fidelity and generalizability to unseen motions. Furthermore, we demonstrate that MDME can reproduce novel motion styles in real-time through zero-shot deployment, eliminating the need for task-specific tuning or online retargeting. These results position MDME as a generalizable and structure-aware foundation for scalable real-time robot imitation.
• Abstract（参考訳）: 効果的な動作表現は、ロボットがリアルタイムで表現的な動作を模倣できるようにするために重要であるが、既存のモーションコントローラは動作の固有のパターンを無視することが多い。 表現学習におけるこれまでの取り組みは、人や動物の運動における構造的周期パターンと不規則な変動を共同で捉えようとはしなかった。 そこで本研究では,ウェーブレットベースのエンコーダと確率的埋め込みを並列に使用して,構造的および非構造的特徴の埋め込みを統一する動作表現であるMDMEを提案する。 これにより、最小の入力集合から参照運動のリッチな表現が得られ、様々な動きスタイルや形態をまたいだ一般化が向上する。 学習した埋め込みに対してロボット制御ポリシーを条件づけることにより, MDMEの再現性を評価するとともに, ヒューマノイドプラットフォームと四重組プラットフォームの両方において, 複雑な軌道の正確な再現性を実証した。 本研究は, MDMEの再現性や動作の一般化性において, 従来の手法よりも優れていることを示すものである。 さらに,MDMEは,タスク固有のチューニングやオンラインリターゲティングの必要性をなくし,ゼロショット展開により,新しい動作スタイルをリアルタイムで再現できることを実証した。 これらの結果から,MDMEはスケーラブルなリアルタイムロボット模倣の一般化と構造認識の基礎として位置づけられた。

関連論文リスト

• MotionVerse: A Unified Multimodal Framework for Motion Comprehension, Generation and Editing [53.98607267063729]
  MotionVerseは、シングルパーソンとマルチパーソンの両方のシナリオで人間の動作を理解し、生成し、編集するフレームワークである。 我々は、連続的な動き列をマルチストリーム離散トークンに変換する残差量子化を伴う動きトークン化器を用いる。 また、残留トークンストリームの符号化を時間的に停滞させる textitDelay Parallel Modeling 戦略も導入する。
  論文  参考訳（メタデータ） (2025-09-28T04:20:56Z)
• Implicit Kinodynamic Motion Retargeting for Human-to-humanoid Imitation Learning [35.8296790596745]
  Implicit Kinodynamic Motion Retargeting (IKMR)は、キネマティクスとダイナミックスの両方を考慮した、効率的でスケーラブルなフレームワークである。 IKMRは、モーション領域マッピングを学ぶために、モーショントポロジ表現とデュアルエンコーダデコーダアーキテクチャを事前訓練する。 実物大のヒューマノイドロボットでシミュレータと実物ロボットの両方で実験を行う。
  論文  参考訳（メタデータ） (2025-09-18T21:34:02Z)
• GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
  本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。 我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。 我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
  論文  参考訳（メタデータ） (2025-05-02T17:59:55Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• 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)
• Transformer Inertial Poser: Attention-based Real-time Human Motion Reconstruction from Sparse IMUs [79.72586714047199]
  本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。 提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
  論文  参考訳（メタデータ） (2022-03-29T16:24:52Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。