論文の概要: Iterative Closed-Loop Motion Synthesis for Scaling the Capabilities of Humanoid Control

• arxiv url: http://arxiv.org/abs/2602.21599v1
• Date: Wed, 25 Feb 2026 05:52:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.719263
• Title: Iterative Closed-Loop Motion Synthesis for Scaling the Capabilities of Humanoid Control
• Title（参考訳）: ヒューマノイド制御機能拡張のための反復閉ループ運動合成
• Authors: Weisheng Xu, Qiwei Wu, Jiaxi Zhang, Tan Jing, Yangfan Li, Yuetong Fang, Jiaqi Xiong, Kai Wu, Rong Ou, Renjing Xu,
• Abstract要約: 本稿では,クローズドループ自動モーションデータ生成と反復フレームワークを提案する。 武道、ダンス、戦闘、スポーツ、体操など、リッチなアクションセマンティクスを備えた高品質なモーションデータを生成することができる。 PHC単主トラッカーでは、AMASSデータセットサイズの約1/10しか使用せず、テストセットの平均故障率(2201クリップ)をベースラインと比較して45%削減する。
• 参考スコア（独自算出の注目度）: 20.46499585881111
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-based humanoid control relies on training with motion datasets that have diverse data distributions. However, the fixed difficulty distribution of datasets limits the performance ceiling of the trained control policies. Additionally, the method of acquiring high-quality data through professional motion capture systems is constrained by costs, making it difficult to achieve large-scale scalability. To address these issues, we propose a closed-loop automated motion data generation and iterative framework. It can generate high-quality motion data with rich action semantics, including martial arts, dance, combat, sports, gymnastics, and more. Furthermore, our framework enables difficulty iteration of policies and data through physical metrics and objective evaluations, allowing the trained tracker to break through its original difficulty limits. On the PHC single-primitive tracker, using only approximately 1/10 of the AMASS dataset size, the average failure rate on the test set (2201 clips) is reduced by 45\% compared to the baseline. Finally, we conduct comprehensive ablation and comparative experiments to highlight the rationality and advantages of our framework.
• Abstract（参考訳）: 物理に基づくヒューマノイド制御は、多様なデータ分布を持つ動きデータセットによるトレーニングに依存している。 しかし、データセットの固定困難分布は、トレーニングされた制御ポリシーのパフォーマンス上限を制限する。 また,プロのモーションキャプチャシステムによる高品質なデータ取得にはコストがかかるため,大規模スケーラビリティの達成が困難である。 これらの問題に対処するため、我々はクローズドループ自動モーションデータ生成および反復フレームワークを提案する。 武道、ダンス、戦闘、スポーツ、体操など、リッチなアクションセマンティクスを備えた高品質なモーションデータを生成することができる。 さらに,本フレームワークは,物理指標や客観的評価を通じてポリシーやデータの反復を困難にし,トレーニングされたトラッカーが本来の難易度限界を突破することを可能にする。 AMASSデータセットサイズの約1/10しか使用していないPHC単原トラッカーでは、テストセットの平均故障率(2201クリップ)がベースラインに比べて45倍減少する。 最後に、我々のフレームワークの合理性と利点を強調するために、包括的なアブレーションと比較実験を実施します。

関連論文リスト

• Robust Federated Learning with Confidence-Weighted Filtering and GAN-Based Completion under Noisy and Incomplete Data [0.0]
  フェデレートラーニング(FL)は、分散化されたクライアントデータセット間のデータのプライバシを維持しながら、協調的なモデルトレーニングのための効果的なソリューションを提供する。 本研究では,ノイズやクラス不均衡,ラベルの欠落など,データ品質問題に体系的に対処するフェデレート学習手法を提案する。 以上の結果から,この手法はデータ品質の課題を効果的に軽減し,堅牢でスケーラブルでプライバシに適合したソリューションを提供することが示唆された。
  論文  参考訳（メタデータ） (2025-05-14T18:49:18Z)
• Zero-Shot Whole-Body Humanoid Control via Behavioral Foundation Models [71.34520793462069]
  教師なし強化学習(RL)は、複雑な環境下で幅広い下流タスクを解くことができる事前学習エージェントを目標としている。 本稿では,ラベルのない行動データセットからトラジェクトリを模倣するための,教師なしRLの正規化アルゴリズムを提案する。 我々は,この手法の有効性を,挑戦的なヒューマノイド制御問題において実証する。
  論文  参考訳（メタデータ） (2025-04-15T10:41:11Z)
• MIBP-Cert: Certified Training against Data Perturbations with Mixed-Integer Bilinear Programs [50.41998220099097]
  トレーニング中のデータエラー、汚職、中毒攻撃は、現代のAIシステムの信頼性に大きな脅威をもたらす。 混合整数双線形プログラミング(MIBP)に基づく新しい認証手法MIBP-Certを紹介する。 摂動データや操作データを通じて到達可能なパラメータの集合を計算することで、可能なすべての結果を予測することができ、堅牢性を保証することができる。
  論文  参考訳（メタデータ） (2024-12-13T14:56:39Z)
• Human-in-the-loop Reinforcement Learning for Data Quality Monitoring in Particle Physics Experiments [0.0]
  本稿では,データ品質モニタリングプロセスを自動化するために,人間によるループ強化学習を適用するための概念実証を提案する。 人間の分類におけるランダムな非バイアスノイズが低減され,ベースラインの精度が向上することを示す。
  論文  参考訳（メタデータ） (2024-05-24T12:52:46Z)
• Re-Evaluating LiDAR Scene Flow for Autonomous Driving [80.37947791534985]
  自己教師型LiDARシーンフローの一般的なベンチマークは、動的動き、非現実的な対応、非現実的なサンプリングパターンの非現実的な速度を持つ。 実世界のデータセットのスイート上で,トップメソッドのスイートを評価する。 学習に重点を置いているにもかかわらず、ほとんどのパフォーマンス向上は前処理と後処理のステップによって引き起こされる。
  論文  参考訳（メタデータ） (2023-04-04T22:45:50Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• Towards an Interpretable Data-driven Trigger System for High-throughput Physics Facilities [7.939382824995354]
  高スループットデータフィルタリングとトリガシステムを設計するための新しいデータ駆動アプローチを紹介します。 私たちの目標は、どのデータイベントを維持するかを決定するために、最小限のランタイムコストでデータ駆動フィルタリングシステムを設計することです。 現在のパラダイムにおける非局所的非効率性を考慮するために、解釈可能な予測モデリングとコストに敏感な学習から重要な洞察を紹介します。
  論文  参考訳（メタデータ） (2021-04-14T05:01:32Z)
• Auto-weighted Robust Federated Learning with Corrupted Data Sources [7.475348174281237]
  フェデレーション学習はコミュニケーション効率とプライバシ保護のトレーニングプロセスを提供する。 平均損失関数をナイーブに最小化する標準的なフェデレーション学習技術は、データの破損に弱い。 破損したデータソースに対して堅牢性を提供するために、自動重み付けロバストフェデレーテッドラーニング(arfl)を提案します。
  論文  参考訳（メタデータ） (2021-01-14T21:54:55Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。