論文の概要: OmniXtreme: Breaking the Generality Barrier in High-Dynamic Humanoid Control

• arxiv url: http://arxiv.org/abs/2602.23843v1
• Date: Fri, 27 Feb 2026 09:28:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.760868
• Title: OmniXtreme: Breaking the Generality Barrier in High-Dynamic Humanoid Control
• Title（参考訳）: OmniXtreme: ハイダイナミックヒューマノイド制御における一般性バリアの破壊
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 41.16304916968901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-fidelity motion tracking serves as the ultimate litmus test for generalizable, human-level motor skills. However, current policies often hit a "generality barrier": as motion libraries scale in diversity, tracking fidelity inevitably collapses - especially for real-world deployment of high-dynamic motions. We identify this failure as the result of two compounding factors: the learning bottleneck in scaling multi-motion optimization and the physical executability constraints that arise in real-world actuation. To overcome these challenges, we introduce OmniXtreme, a scalable framework that decouples general motor skill learning from sim-to-real physical skill refinement. Our approach uses a flow-matching policy with high-capacity architectures to scale representation capacity without interference-intensive multi-motion RL optimization, followed by an actuation-aware refinement phase that ensures robust performance on physical hardware. Extensive experiments demonstrate that OmniXtreme maintains high-fidelity tracking across diverse, high-difficulty datasets. On real robots, the unified policy successfully executes multiple extreme motions, effectively breaking the long-standing fidelity-scalability trade-off in high-dynamic humanoid control.
• Abstract（参考訳）: 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究極のリトマステストとして機能する。 モーションライブラリが多様性を拡大するにつれて、必然的に崩壊するフィデリティの追跡 — 特にハイダイナミックなモーションの現実的な展開 — は、現在のポリシが“一般性障壁”になることが多い。 この失敗は、マルチモーション最適化のスケーリングにおける学習ボトルネックと、実世界のアクティベーションで生じる物理的実行可能性制約の2つの複合要因の結果である。 これらの課題を克服するために,OmniXtremeという拡張性のあるフレームワークを紹介した。 提案手法では,高容量アーキテクチャを用いたフローマッチングポリシを用いて,干渉集約型マルチモーションRL最適化を使わずに表現能力を拡張し,続いて物理ハードウェア上でのロバストな性能を保証するアクティベーション・アウェア・リファインメント・フェーズを用いる。 大規模な実験により、OmniXtremeは多種多様な高拡散性データセットにわたる高忠実性追跡を維持している。 実際のロボットでは、統一されたポリシーは複数の極端な動作をうまく実行し、高ダイナミックなヒューマノイド制御における長年の忠実度とスケーリングのトレードオフを効果的に破る。

関連論文リスト

• Extreme-RGMT: Continual Learning of Highly Dynamic Skills for Robust Generalist Humanoid Control [12.247654049983522]
  本稿では,ロバストな汎用ヒューマノイド制御のための2段階連続学習フレームワークExtreme-RGMTを紹介する。 Extreme-RGMTは多様なマルチソースモーションデータから一般のモーショントラッキングベースポリシーを学習し、非対称なスキル獲得と能力統合機構を用いる。 実験により、Extreme-RGMTは最先端のジェネラリスト全体の運動追跡性能を達成することが示された。
  論文  参考訳（メタデータ） (2026-07-22T13:10:22Z)
• A Physics-Grounded Benchmark for Multi-Agent Dynamics in World Models [96.64934195520802]
  我々は、世界モデルの物理的信頼性をストレステストするために設計された物理地上評価フレームワークであるCrashTwinを紹介する。 CrashTwinは、25K制御可能な合成12K実世界の衝突シーケンスを含む、多様なマルチエージェント衝突シナリオのデータセットを結合している。 本稿では,時間的一貫性,運動量,運動エネルギーの保存,世界力学の整合性という3つの次元を体系的に評価する診断スイートを提案する。
  論文  参考訳（メタデータ） (2026-06-27T06:13:35Z)
• OMG: Omni-Modal Motion Generation for Generalist Humanoid Control [30.236954254902614]
  汎用ヒューマノイド制御の鍵は、リアクティブなモーショントラッキングシステムの上に、スケーラブルな脳を構築することだと我々は主張する。 汎用制御を実現するために大量の高品質なデータを取得すること,および構成的マルチモーダル入力の条件付け機能を備えたジェネレータを備えること,という2つの課題に対処する。
  論文  参考訳（メタデータ） (2026-06-09T02:46:14Z)
• AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling [60.13338774249153]
  我々はOmniHuMoを紹介した。OmniHuMoは5000時間以上の動作と320万のシーケンスのデータセットで、正確に整列されたマルチモーダルアノテーションである。 我々は、Residual FSQベースのモーショントークンーザとスケーラブルなマスク付きモデリング変換器を組み合わせた統合マルチモーダルフレームワークであるAnyMoを提案する。 実験の結果,AnyMoは空間特性とスタイリスティック特性の両方を柔軟に制御しながら高忠実度合成を実現することがわかった。
  論文  参考訳（メタデータ） (2026-05-28T07:15:19Z)
• Unleashing the Agility of Wheeled-Legged Robots for High-Dynamic Reflexive Obstacle Evasion [2.3784505606578916]
  AWAREは車輪付き脚ロボットの高速障害物回避のための階層的強化学習フレームワークである。 AWAREは、行動的に異なる回避戦略を明らかにしながら、堅牢でアジャイルな障害物回避を実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-26T15:21:33Z)
• RPG: Robust Policy Gating for Smooth Multi-Skill Transitions in Humanoid Fighting [52.18271301977709]
  我々は,スムーズで安定したヒューマノイド多スキル移行のためのハイブリッド・エキスパート・ポリシー・フレームワークであるRPGを提案する。 本手法では,動き遷移のランダム化と時間的ランダム化を取り入れて,アジャイルな戦闘行動を生成する統一的な政策を訓練する。 我々は、歩行/走る移動と戦闘スキルを統合する制御パイプラインを設計し、人間のような長時間の戦闘を任意の期間で行えるようにした。
  論文  参考訳（メタデータ） (2026-04-23T07:14:35Z)
• 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)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• 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)
• A Kung Fu Athlete Bot That Can Do It All Day: Highly Dynamic, Balance-Challenging Motion Dataset and Autonomous Fall-Resilient Tracking [5.968082051565195]
  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。
  論文  参考訳（メタデータ） (2026-02-14T07:49:56Z)
• 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)
• OmniMotion-X: Versatile Multimodal Whole-Body Motion Generation [52.579531290307926]
  本稿では,全身動作生成のための汎用フレームワークであるOmniMotion-Xを紹介する。 OmniMotion-Xは、テキスト・トゥ・モーション、音楽・トゥ・ダンス、音声・トゥ・ジェスチャなど、多様なマルチモーダルタスクを効率的にサポートする。 高品質なマルチモーダルトレーニングを実現するため,これまでで最大の統合マルチモーダルモーションデータセットであるOmniMoCap-Xを構築した。
  論文  参考訳（メタデータ） (2025-10-22T17:25:33Z)
• 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)
• Learning to Move in Rhythm: Task-Conditioned Motion Policies with Orbital Stability Guarantees [45.137864140049814]
  我々は,学習した微分型エンコーダと超臨界ホップ分岐を結合したフレームワークであるOrbitally Stable Motion Primitives (OSMPs)を紹介する。 提案手法は,多種多様なロボットプラットフォームにまたがる広範囲なシミュレーションと実世界の実験によって検証される。
  論文  参考訳（メタデータ） (2025-07-12T17:10:03Z)
• AMO: Adaptive Motion Optimization for Hyper-Dexterous Humanoid Whole-Body Control [14.403489342466049]
  本研究では,実時間で適応的な全身制御を実現するために,sim-to-real強化学習とトラジェクトリ最適化を統合したフレームワークを提案する。 AMOの一貫性のある性能は、模倣学習による自律的なタスク実行をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-05-06T17:59:51Z)
• CAIMAN: Causal Action Influence Detection for Sample-efficient Loco-manipulation [17.94272840532448]
  我々は,ロボットが環境内の他のエンティティを制御できるようにする強化学習フレームワークであるCAIMANを提案する。 シミュレーションにおけるCAIMANの優れたサンプル効率と多様なシナリオへの適応性を実証的に実証した。
  論文  参考訳（メタデータ） (2025-02-02T16:16:53Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。