論文の概要: Spherical Latent Motion Prior for Physics-Based Simulated Humanoid Control

• arxiv url: http://arxiv.org/abs/2603.01294v1
• Date: Sun, 01 Mar 2026 22:00:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.806612
• Title: Spherical Latent Motion Prior for Physics-Based Simulated Humanoid Control
• Title（参考訳）: 物理に基づく擬似ヒューマノイド制御に先立つ球面ラテント運動
• Authors: Jing Tan, Weisheng Xu, Xiangrui Jiang, Jiaxi Zhang, Kun Yang, Kai Wu, Jiaqi Xiong, Shiting Chen, Yangfan Li, Yixiao Feng, Yuetong Fang, Yujia Zou, Yiqun Song, Renjing Xu,
• Abstract要約: 球状ラテント・モーション・プライオリ (SLMP) は, 動作先行学習のための2段階の手法である。 SLMPは情報損失のない細かな動きの詳細を保存し、ランダムサンプリングは意味論的に妥当で安定した振る舞いをもたらす。 SLMPは、異なるヒューマノイドロボット形態を一般化し、単一のシミュレートされたアバターを超えて、その伝達可能性を示す。
• 参考スコア（独自算出の注目度）: 23.295360425494597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning motion priors for physics-based humanoid control is an active research topic. Existing approaches mainly include variational autoencoders (VAE) and adversarial motion priors (AMP). VAE introduces information loss, and random latent sampling may sometimes produce invalid behaviors. AMP suffers from mode collapse and struggles to capture diverse motion skills. We present the Spherical Latent Motion Prior (SLMP), a two-stage method for learning motion priors. In the first stage, we train a high-quality motion tracking controller. In the second stage, we distill the tracking controller into a spherical latent space. A combination of distillation, a discriminator, and a discriminator-guided local semantic consistency constraint shapes a structured latent action space, allowing stable random sampling without information loss. To evaluate SLMP, we collect a two-hour human combat motion capture dataset and show that SLMP preserves fine motion detail without information loss, and random sampling yields semantically valid and stable behaviors. When applied to a two-agent physics-based combat task, SLMP produces human-like and physically plausible combat behaviors only using simple rule-based rewards. Furthermore, SLMP generalizes across different humanoid robot morphologies, demonstrating its transferability beyond a single simulated avatar.
• Abstract（参考訳）: 物理に基づくヒューマノイド制御のための学習動作先行は、活発な研究課題である。 既存のアプローチとしては、変分オートエンコーダ(VAE)と対向運動先行(AMP)がある。 VAEは情報損失を導入し、ランダム潜時サンプリングは時に不正な振る舞いを引き起こす。 AMPはモード崩壊に悩まされ、多様なモーションスキルの獲得に苦しむ。 球状ラテント・モーション・プライオリ (SLMP) は, 動作先行学習のための2段階の手法である。 最初の段階では、高品質なモーショントラッキングコントローラを訓練する。 第2段階では、トラッキングコントローラを球形潜在空間に蒸留する。 蒸留、判別器、識別器による局所的意味一貫性制約の組み合わせは、構造化された潜在作用空間を形作り、情報損失のない安定したランダムサンプリングを可能にする。 SLMPを評価するために,2時間の人体戦闘モーションキャプチャーデータセットを収集し,SLMPが情報損失を伴わずに細かな動作の詳細を保存し,ランダムサンプリングが意味論的に有効で安定した動作を得られることを示す。 2エージェントの物理ベースの戦闘タスクに適用すると、SLMPは単純なルールベースの報酬のみを使用して人間らしく、物理的に妥当な戦闘行動を生成する。 さらに、SLMPは、異なるヒューマノイドロボット形態を一般化し、単一のシミュレートされたアバターを超えて、その伝達可能性を示す。

関連論文リスト

• SMP: Reusable Score-Matching Motion Priors for Physics-Based Character Control [20.779031780374115]
  自然主義的行動を生み出すためのエージェントを導く行動は、人生のような仮想キャラクタを作成する上で重要な役割を担っている。 本稿では、事前学習した運動拡散モデルとスコア蒸留サンプリング(SDS)を利用して、再利用可能なタスク非依存動作前処理を生成するスコアマッチング動作優先処理(SMP)を提案する。 本手法は, 再利用可能な, モジュラーな動作前処理により, 最先端の対向的模倣学習手法に匹敵する高品質な動作を生成する。
  論文  参考訳（メタデータ） (2025-12-02T18:54:12Z)
• 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)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• Neural Categorical Priors for Physics-Based Character Control [12.731392285646614]
  運動の質と多様性を大幅に改善した物理に基づく文字制御のための新しい学習フレームワークを提案する。 提案手法は強化学習(RL)を用いて,非構造的なモーションクリップからのライフライクな動きを追跡し,模倣する。 本研究は,人型文字を用いた総合実験により,下流域の難易度の高い2つの課題,剣のシールドと2人のプレーヤーによるボクシングゲームについて検討する。
  論文  参考訳（メタデータ） (2023-08-14T15:10:29Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)
• Neural MoCon: Neural Motion Control for Physically Plausible Human Motion Capture [12.631678059354593]
  我々は、高精度で微分不可能な物理シミュレータを利用して、モーションキャプチャーに動的制約を組み込む。 我々のキーイデアは、実際の物理的な監督を利用して、サンプリングベースのモーションコントロールの前にターゲットのポーズ分布をトレーニングすることです。 その結果, 複雑な地形相互作用, 人体形状の変化, 多様な行動を伴う身体的可視な人体運動が得られた。
  論文  参考訳（メタデータ） (2022-03-26T12:48:41Z)
• Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
  本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。 標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-19T00:58:00Z)

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。