論文の概要: HumanoidTurk: Expanding VR Haptics with Humanoids for Driving Simulations

• arxiv url: http://arxiv.org/abs/2601.18975v1
• Date: Mon, 26 Jan 2026 21:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 05:43:06.710255
• Title: HumanoidTurk: Expanding VR Haptics with Humanoids for Driving Simulations
• Title（参考訳）: HumanoidTurk: 運転シミュレーションのためのHumanoidsでVRのハプティックスを拡張する
• Authors: DaeHo Lee, Ryo Suzuki, Jin-Hyuk Hong,
• Abstract要約: ゲーム内Gフォース信号をVR運転時の同期動作フィードバックに変換するヒューマノイドベースの触覚システムを実装した。 その結果, ヒューマノイドフィードバックは没入感, リアリズム, 楽しさを増し, 快適さ, シミュレーション病の面では適度なコストがもたらされた。 我々は,没入型VRの触覚的モダリティとしてヒューマノイドを位置づけ,忠実さ,適応性,多目的性を新たなテーマとして認識する。
• 参考スコア（独自算出の注目度）: 16.463162729340915
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We explore how humanoid robots can be repurposed as haptic media, extending beyond their conventional role as social, assistive, collaborative agents. To illustrate this approach, we implemented HumanoidTurk, taking a first step toward a humanoid-based haptic system that translates in-game g-force signals into synchronized motion feedback in VR driving. A pilot study involving six participants compared two synthesis methods, leading us to adopt a filter-based approach for smoother and more realistic feedback. A subsequent study with sixteen participants evaluated four conditions: no-feedback, controller, humanoid+controller, and human+controller. Results showed that humanoid feedback enhanced immersion, realism, and enjoyment, while introducing moderate costs in terms of comfort and simulation sickness. Interviews further highlighted the robot's consistency and predictability in contrast to the adaptability of human feedback. From these findings, we identify fidelity, adaptability, and versatility as emerging themes, positioning humanoids as a distinct haptic modality for immersive VR.
• Abstract（参考訳）: 我々は、ヒューマノイドロボットをハプティックメディアとして再利用し、従来の社会的、援助的、協力的なエージェントとしての役割を超えていく方法について検討する。 このアプローチを説明するために,HumanoidTurkを実装した。Humanoid-based haptic system はゲーム内 g-force 信号をVR駆動時の同期動作フィードバックに変換する。 6人の被験者によるパイロットスタディでは,2つの合成法を比較し,よりスムーズでリアルなフィードバックにフィルタベースのアプローチを採用することができた。 その後の16人の被験者による研究では、フィードバックなし、コントロール、ヒューマノイド+コントローラ、ヒューマン+コントローラの4つの条件が評価された。 その結果, ヒューマノイドフィードバックは没入感, リアリズム, 楽しさを増し, 快適さ, シミュレーション病の面では適度なコストがもたらされた。 インタビューでは、人間のフィードバックの適応性とは対照的に、ロボットの一貫性と予測可能性を強調した。 これらの結果から,本研究はヒューマノイドを没入型VRの触覚的モダリティとして位置づけ,忠実度,適応性,多目的性を新たなテーマとして認識した。

関連論文リスト

• ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
  ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。 ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。 結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-10-06T17:47:02Z)
• Expressive Whole-Body Control for Humanoid Robots [20.132927075816742]
  我々は、人間の動きをできるだけリアルに模倣するために、人間サイズのロボットで全身制御ポリシーを学習する。 シミュレーションとSim2Real転送のトレーニングにより、私たちのポリシーはヒューマノイドロボットを制御して、さまざまなスタイルで歩いたり、人と握手したり、現実世界で人間と踊ったりできる。
  論文  参考訳（メタデータ） (2024-02-26T18:09:24Z)
• SynH2R: Synthesizing Hand-Object Motions for Learning Human-to-Robot Handovers [35.386426373890615]
  視覚に基づく人間とロボットのハンドオーバは、人間とロボットのインタラクションにおいて重要かつ困難なタスクである。 本稿では,ロボットの訓練に適した人間のつかみ動作を生成するためのフレームワークを提案する。 これにより、以前の作業よりも100倍多くのオブジェクトで、総合的なトレーニングとテストデータを生成することができます。
  論文  参考訳（メタデータ） (2023-11-09T18:57:02Z)
• Habitat 3.0: A Co-Habitat for Humans, Avatars and Robots [119.55240471433302]
  Habitat 3.0は、家庭環境における協調ロボットタスクを研究するためのシミュレーションプラットフォームである。 複雑な変形可能な体と外観と運動の多様性をモデル化する際の課題に対処する。 Human-in-the-loopインフラストラクチャは、マウス/キーボードまたはVRインターフェースを介してシミュレーションされたロボットとの実際のヒューマンインタラクションを可能にする。
  論文  参考訳（メタデータ） (2023-10-19T17:29:17Z)
• Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
  視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。 シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-30T17:58:36Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)
• Visual Navigation Among Humans with Optimal Control as a Supervisor [72.5188978268463]
  そこで本研究では,学習に基づく知覚とモデルに基づく最適制御を組み合わせることで,人間間をナビゲートする手法を提案する。 私たちのアプローチは、新しいデータ生成ツールであるHumANavによって実現されています。 学習したナビゲーションポリシーは、将来の人間の動きを明示的に予測することなく、人間に予測し、反応できることを実証する。
  論文  参考訳（メタデータ） (2020-03-20T16:13:47Z)

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。