論文の概要: DynaRetarget: Dynamically-Feasible Retargeting using Sampling-Based Trajectory Optimization
- arxiv url: http://arxiv.org/abs/2602.06827v1
- Date: Fri, 06 Feb 2026 16:14:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.237675
- Title: DynaRetarget: Dynamically-Feasible Retargeting using Sampling-Based Trajectory Optimization
- Title（参考訳）: DynaRetarget: サンプリングに基づく軌道最適化を用いた動的に実現可能な再ターゲット
- Authors: Victor Dhedin, Ilyass Taouil, Shafeef Omar, Dian Yu, Kun Tao, Angela Dai, Majid Khadiv,
- Abstract要約: DynaRetargetは、ヒューマノイド制御ポリシーに対する人間の動きのための完全なパイプラインである。
SBTOフレームワークは不完全な軌道を動的に実現可能な運動に洗練する。
我々はDynaRetargetを何百ものヒューマノイドオブジェクトによる実演で検証した。
- 参考スコア（独自算出の注目度）: 32.849767687998046
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce DynaRetarget, a complete pipeline for retargeting human motions to humanoid control policies. The core component of DynaRetarget is a novel Sampling-Based Trajectory Optimization (SBTO) framework that refines imperfect kinematic trajectories into dynamically feasible motions. SBTO incrementally advances the optimization horizon, enabling optimization over the entire trajectory for long-horizon tasks. We validate DynaRetarget by successfully retargeting hundreds of humanoid-object demonstrations and achieving higher success rates than the state of the art. The framework also generalizes across varying object properties, such as mass, size, and geometry, using the same tracking objective. This ability to robustly retarget diverse demonstrations opens the door to generating large-scale synthetic datasets of humanoid loco-manipulation trajectories, addressing a major bottleneck in real-world data collection.
- Abstract（参考訳）: 本稿では,人間の動作をヒューマノイド制御ポリシーに再ターゲティングするための完全なパイプラインであるDynaRetargetを紹介する。
DynaRetargetの中核となるコンポーネントはサンプリングベース軌道最適化(SBTO)フレームワークで、不完全なキネマティック軌道を動的に実現可能な運動に洗練する。
SBTOは最適化の地平線を漸進的に前進させ、長距離タスクの軌道全体の最適化を可能にする。
我々はDynaRetargetを、何百ものヒューマノイドオブジェクトのデモを再ターゲットし、最先端技術よりも高い成功率を達成することで検証する。
このフレームワークは、同じ追跡目標を用いて、質量、大きさ、幾何学などの様々なオブジェクト特性を一般化する。
この多様なデモンストレーションを堅牢に再ターゲットする能力は、ヒューマノイドのロコ操作トラジェクトリの大規模な合成データセットを生成するための扉を開き、現実世界のデータ収集における大きなボトルネックに対処する。
関連論文リスト
- SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。
タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T03:03:14Z) - Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization [6.47799404542057]
我々は,人体移動の新しいアプローチであるKinoDynamic Motion Retargeting (KDMR) フレームワークを提案する。
本手法は,ヒトのような接触パターンを正確に再現するために,ヒールトイ接触イベントを自動的に検出する。
実験の結果,KDMRはキネマティック法よりも有意に優れていた。
論文 参考訳（メタデータ） (2026-03-10T17:51:17Z) - OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。
インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。
人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
論文 参考訳（メタデータ） (2025-09-30T17:59:02Z) - SMORE: Simultaneous Map and Object REconstruction [66.66729715211642]
本稿では,LiDARから大規模都市景観を動的に再現する手法を提案する。
我々は、世界が厳格に動く物体と背景に分解される動的なシーンの構成モデルを総合的に捉え、最適化する。
論文 参考訳（メタデータ） (2024-06-19T23:53:31Z) - Dyna-DepthFormer: Multi-frame Transformer for Self-Supervised Depth
Estimation in Dynamic Scenes [19.810725397641406]
シーン深度と3次元運動場を協調的に予測する新しいDyna-Depthformerフレームワークを提案する。
まず,多視点の相関を一連の自己・横断的層を通じて活用し,深度特徴表現の強化を図る。
第2に,動的物体の運動場をセマンティック・プレセプションを使わずに推定するワーピングに基づく運動ネットワークを提案する。
論文 参考訳（メタデータ） (2023-01-14T09:43:23Z) - Motion Transformer with Global Intention Localization and Local Movement
Refinement [103.75625476231401]
動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。
MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
論文 参考訳（メタデータ） (2022-09-27T16:23:14Z)
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。