論文の概要: A Kung Fu Athlete Bot That Can Do It All Day: Highly Dynamic, Balance-Challenging Motion Dataset and Autonomous Fall-Resilient Tracking
- arxiv url: http://arxiv.org/abs/2602.13656v1
- Date: Sat, 14 Feb 2026 07:49:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.457312
- Title: A Kung Fu Athlete Bot That Can Do It All Day: Highly Dynamic, Balance-Challenging Motion Dataset and Autonomous Fall-Resilient Tracking
- Title（参考訳）: 高ダイナミックでバランスのとれたモーションデータセットと自律的な転倒耐性トラッキング機能を備えたKung Fu Athleteボット
- Authors: Zhongxiang Lei, Lulu Cao, Xuyang Wang, Tianyi Qian, Jinyan Liu, Xuesong Li,
- Abstract要約: 武道の特徴は、急激な中心シフト、複雑な調整、急激な姿勢転換である。
KungFuAthleteは、プロアスリートの日々のトレーニングビデオから派生した、ハイダイナミックな武道運動データセットである。
本研究では,高ダイナミックなモーショントラッキングとフォールリカバリを共同で学習できる新しいトレーニングパラダイムを提案する。
- 参考スコア（独自算出の注目度）: 5.968082051565195
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Current humanoid motion tracking systems can execute routine and moderately dynamic behaviors, yet significant gaps remain near hardware performance limits and algorithmic robustness boundaries. Martial arts represent an extreme case of highly dynamic human motion, characterized by rapid center-of-mass shifts, complex coordination, and abrupt posture transitions. However, datasets tailored to such high-intensity scenarios remain scarce. To address this gap, we construct KungFuAthlete, a high-dynamic martial arts motion dataset derived from professional athletes' daily training videos. The dataset includes ground and jump subsets covering representative complex motion patterns. The jump subset exhibits substantially higher joint, linear, and angular velocities compared to commonly used datasets such as LAFAN1, PHUMA, and AMASS, indicating significantly increased motion intensity and complexity. Importantly, even professional athletes may fail during highly dynamic movements. Similarly, humanoid robots are prone to instability and falls under external disturbances or execution errors. Most prior work assumes motion execution remains within safe states and lacks a unified strategy for modeling unsafe states and enabling reliable autonomous recovery. We propose a novel training paradigm that enables a single policy to jointly learn high-dynamic motion tracking and fall recovery, unifying agile execution and stabilization within one framework. This framework expands robotic capability from pure motion tracking to recovery-enabled execution, promoting more robust and autonomous humanoid performance in real-world high-dynamic scenarios.
- Abstract（参考訳）: 現在のヒューマノイドモーショントラッキングシステムは、ルーチンと適度にダイナミックな動作を実行できるが、ハードウェアの性能限界とアルゴリズムの堅牢性の境界付近で大きなギャップが残っている。
武道は、急激な中心移動、複雑な調整、急激な姿勢遷移によって特徴づけられる、非常にダイナミックな人間の動きの極端な例である。
しかし、そのような高強度シナリオに適したデータセットは依然として少ない。
このギャップに対処するため、プロアスリートの日々のトレーニングビデオから派生した高ダイナミックな武道運動データセットであるKungFuAthleteを構築した。
データセットには、代表的な複雑な動きパターンをカバーするグラウンドサブセットとジャンプサブセットが含まれている。
ジャンプサブセットは、LAFAN1、PHUMA、AMASSなどの一般的なデータセットと比較して、かなり高い関節、線形、角速度を示し、運動強度と複雑さが著しく増大した。
重要なことに、プロのアスリートでさえ、非常にダイナミックな動きで失敗することがある。
同様に、ヒューマノイドロボットは不安定になりがちで、外部の障害や実行エラーに陥る。
ほとんどの以前の研究は、動作の実行は安全な状態のままであり、安全でない状態をモデリングし、信頼できる自律的な回復を可能にする統一的な戦略を欠いていると仮定している。
本稿では,ハイダイナミックなモーショントラッキングとフォールリカバリを共同で学習し,アジャイルの実行と安定化をひとつのフレームワーク内で実現する,新たなトレーニングパラダイムを提案する。
このフレームワークは、純粋なモーショントラッキングからリカバリ可能な実行まで、ロボット機能を拡張し、現実のハイダイナミックシナリオにおけるより堅牢で自律的なヒューマノイドのパフォーマンスを促進する。
関連論文リスト
- OmniXtreme: Breaking the Generality Barrier in High-Dynamic Humanoid Control [41.16304916968901]
高忠実度モーショントラッキングは、一般化可能な人間レベルのモータースキルのためのリトマステストとして機能する。
運動図書館が多様性を拡大するにつれ、現在の政策はしばしば「一般性障壁」にぶつかっている。
我々はOmniXtremeを紹介した。OmniXtremeは、汎用モータースキルの学習をシミュレートからリアルな物理スキルの洗練へと切り離すスケーラブルなフレームワークである。
論文 参考訳（メタデータ） (2026-02-27T09:28:06Z) - OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。
実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。
実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
論文 参考訳（メタデータ） (2026-02-27T09:12:15Z) - Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。
本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。
我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
論文 参考訳（メタデータ） (2026-02-17T18:59:11Z) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - KungfuBot2: Learning Versatile Motion Skills for Humanoid Whole-Body Control [30.738592041595933]
ヒューマノイドロボットが単一ポリシーで多様な動的動作を学習できる統一された全身制御系VMSを提案する。
我々のフレームワークは、局所的な動きの忠実度とグローバルな軌道の整合性のバランスをとるハイブリッドな追跡目標を統合している。
シミュレーションと実世界の実験の両方においてVMSの特殊化を広範囲に検証し、ダイナミックスキルの正確な模倣、分長シーケンスでの安定した性能、そして目に見えない動作に対する強力な一般化を実証した。
論文 参考訳（メタデータ） (2025-09-20T11:31:14Z) - KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。
動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。
動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。
実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
論文 参考訳（メタデータ） (2025-06-15T13:58:53Z) - Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。
具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。
フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文 参考訳（メタデータ） (2025-02-24T14:53:45Z) - ASAP: Aligning Simulation and Real-World Physics for Learning Agile Humanoid Whole-Body Skills [46.16771391136412]
ASAPは、動的ミスマッチに対処し、アジャイルなヒューマノイド全体のスキルを実現するために設計された2段階のフレームワークである。
第1段階では、リターゲットされた人間の動きデータを用いたシミュレーションにおいて、運動追跡ポリシーを事前訓練する。
第2段階では、現実の世界でポリシーをデプロイし、現実のデータを収集し、デルタ(残留)アクションモデルをトレーニングします。
論文 参考訳（メタデータ） (2025-02-03T08:22:46Z)
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。