論文の概要: TeleGate: Whole-Body Humanoid Teleoperation via Gated Expert Selection with Motion Prior

• arxiv url: http://arxiv.org/abs/2602.09628v1
• Date: Tue, 10 Feb 2026 10:14:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.318697
• Title: TeleGate: Whole-Body Humanoid Teleoperation via Gated Expert Selection with Motion Prior
• Title（参考訳）: TeleGate:全体型ヒューマノイドテレオベーション(Gated Expert Selection with Motion Prior)
• Authors: Jie Li, Bing Tang, Feng Wu, Rongyun Cao,
• Abstract要約: 本稿では,ヒューマノイドロボットのための統合された全身遠隔操作フレームワークTeleGateを提案する。 私たちのキーとなる考え方は、軽量なゲーティングネットワークをトレーニングすることで、ドメイン固有の専門家ポリシーの完全な能力を維持することです。 リアルタイム遠隔操作における将来の参照軌跡の欠如を補うため,VAEベースのモーション先行モジュールを導入する。
• 参考スコア（独自算出の注目度）: 27.930225667015872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time whole-body teleoperation is a critical method for humanoid robots to perform complex tasks in unstructured environments. However, developing a unified controller that robustly supports diverse human motions remains a significant challenge. Existing methods typically distill multiple expert policies into a single general policy, which often inevitably leads to performance degradation, particularly on highly dynamic motions. This paper presents TeleGate, a unified whole-body teleoperation framework for humanoid robots that achieves high-precision tracking across various motions while avoiding the performance loss inherent in knowledge distillation. Our key idea is to preserve the full capability of domain-specific expert policies by training a lightweight gating network, which dynamically activates experts in real-time based on proprioceptive states and reference trajectories. Furthermore, to compensate for the absence of future reference trajectories in real-time teleoperation, we introduce a VAE-based motion prior module that extracts implicit future motion intent from historical observations, enabling anticipatory control for motions requiring prediction such as jumping and standing up. We conducted empirical evaluations in simulation and also deployed our technique on the Unitree G1 humanoid robot. Using only 2.5 hours of motion capture data for training, our TeleGate achieves high-precision real-time teleoperation across diverse dynamic motions (e.g., running, fall recovery, and jumping), significantly outperforming the baseline methods in both tracking accuracy and success rate.
• Abstract（参考訳）: リアルタイム全身遠隔操作は人型ロボットが非構造環境で複雑なタスクを遂行する上で重要な方法である。 しかし、多様な人間の動きを強力に支援する統一型コントローラーの開発は、依然として大きな課題である。 既存の方法は、通常、複数の専門家ポリシーを単一の一般的なポリシーに蒸留するが、それはしばしば必然的にパフォーマンスの劣化、特に非常にダイナミックな動きを引き起こす。 本稿では, 知識蒸留に固有の性能損失を回避しつつ, 様々な動作の高精度なトラッキングを実現する, ヒューマノイドロボットのための統合型全身遠隔操作フレームワークTeleGateを提案する。 我々のキーとなる考え方は、プロトリオセプティブ状態と参照軌道に基づいて、専門家をリアルタイムで動的に活性化する軽量ゲーティングネットワークをトレーニングすることで、ドメイン固有の専門家ポリシーの完全な能力を維持することである。 さらに、リアルタイム遠隔操作における将来の参照軌道の欠如を補うため、歴史的観測から暗黙の将来の動き意図を抽出し、ジャンプや立ち上がりなどの予測を必要とする動きに対する予測制御を可能にするVAEベースの動き先行モジュールを導入する。 シミュレーションで経験的評価を行い,Unitree G1ヒューマノイドロボットに導入した。 トレーニングに2.5時間のモーションキャプチャデータしか使用していないため、TeleGateは様々なダイナミックモーション(例えば、ランニング、フォールリカバリ、ジャンプ)にわたる高精度リアルタイム遠隔操作を実現し、精度と成功率の両方においてベースライン手法を著しく上回っている。

関連論文リスト

• Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning [29.898955971414154]
  多エージェント強化学習問題として, 密接に相互作用し, 力量変化する人間の動作系列の模倣を定式化する。 AssistMimicは、確立されたベンチマーク上でのアシストインタラクション動作の追跡に成功できる最初の方法であることを示す。
  論文  参考訳（メタデータ） (2026-03-11T22:25:44Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• CLOT: Closed-Loop Global Motion Tracking for Whole-Body Humanoid Teleoperation [54.7399209456857]
  閉ループグローバルモーショントラッキングを実現する,リアルタイムな人型遠隔操作システムCLOTを提案する。 CLOTはオペレータとロボットのポーズをクローズドループで同期させ、長時間のタイムホライズン上でドリフトフリーな人間-人間-ヒューマノイドの模倣を可能にする。 本研究では,報奨評価から観測軌道を分離し,スムーズで安定した大域的補正を可能にするデータ駆動ランダム化手法を提案する。
  論文  参考訳（メタデータ） (2026-02-13T12:03:13Z)
• MOSAIC: Bridging the Sim-to-Real Gap in Generalist Humanoid Motion Tracking and Teleoperation with Rapid Residual Adaptation [50.643488406438514]
  一般のヒューマノイドモーショントラッカーは、データをスケーリングしてトレーニングすることで、強力なシミュレーション指標を達成したが、持続的な遠隔操作の間、ハードウェア上では不安定なままであることが多い。 複数のインタフェースをまたいだヒューマノイドモーショントラッキングと全身遠隔操作のためのオープンソースのフルスタックシステムMOSAICを提案する。
  論文  参考訳（メタデータ） (2026-02-09T12:35:01Z)
• 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)
• I-CTRL: Imitation to Control Humanoid Robots Through Constrained Reinforcement Learning [8.97654258232601]
  有界残留強化学習(I-CTRL)によるヒューマノイドロボットの制御フレームワークの開発 I-CTRLは5つのロボットにまたがるシンプルでユニークな報酬で、動きの模倣に優れています。 本フレームワークでは,大規模動作データセットを管理するための自動優先度スケジューラを導入している。
  論文  参考訳（メタデータ） (2024-05-14T16:12:27Z)

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。