論文の概要: Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization

• arxiv url: http://arxiv.org/abs/2603.09956v1
• Date: Tue, 10 Mar 2026 17:51:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.170875
• Title: Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization
• Title（参考訳）: マルチコンタクト全体軌道最適化によるヒューマノイドロコモーションの動力学的リターゲティング
• Authors: Xiaoyu Zhang, Steven Haener, Varun Madabushi, Maegan Tucker,
• Abstract要約: 我々は,人体移動の新しいアプローチであるKinoDynamic Motion Retargeting (KDMR) フレームワークを提案する。 本手法は,ヒトのような接触パターンを正確に再現するために,ヒールトイ接触イベントを自動的に検出する。 実験の結果,KDMRはキネマティック法よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 6.47799404542057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the KinoDynamic Motion Retargeting (KDMR) framework, a novel approach for humanoid locomotion that models the retargeting process as a multi-contact, whole-body trajectory optimization problem. Conventional kinematics-based retargeting methods rely solely on spatial motion capture (MoCap) data, inevitably introducing physically inconsistent artifacts, such as foot sliding and ground penetration, that severely degrade the performance of downstream imitation learning policies. To bridge this gap, KDMR extends beyond pure kinematics by explicitly enforcing rigid-body dynamics and contact complementarity constraints. Further, by integrating ground reaction force (GRF) measurements alongside MoCap data, our method automatically detects heel-toe contact events to accurately replicate complex human-like contact patterns. We evaluate KDMR against the state-of-the-art baseline, GMR, across three key dimensions: 1) the dynamic feasibility and smoothness of the retargeted motions, 2) the accuracy of GRF tracking compared to raw source data, and 3) the training efficiency and final performance of downstream control policies trained via the BeyondMimic framework. Experimental results demonstrate that KDMR significantly outperforms purely kinematic methods, yielding dynamically viable reference trajectories that accelerate policy convergence and enhance overall locomotion stability. Our end-to-end pipeline will be open-sourced upon publication.
• Abstract（参考訳）: 本研究では,KinoDynamic Motion Retargeting (KDMR) フレームワークを提案する。 従来のキネマティクスに基づく再ターゲティング手法は空間的モーションキャプチャ(MoCap)データのみに依存しており、必然的に、下流の模倣学習ポリシーの性能を著しく低下させるフットスライディングやグラウンド浸透といった物理的に一貫性のないアーティファクトを導入している。 このギャップを埋めるために、KDMRは剛体力学と接触相補性制約を明示的に強制することによって純粋キネマティクスを超えて拡張する。 さらに, 地中反応力(GRF)測定をMoCapデータと組み合わせることで, ヒールの接触事象を自動的に検出し, 複雑な人間の接触パターンを正確に再現する。 我々はKDMRを3つの重要な次元にわたって、最先端のベースラインであるGMRに対して評価する。 1) リターゲット運動の動的実現性と滑らか性 2)原料データと比較した場合のGRF追跡の精度,及び 3)BeyondMimicフレームワークを通じてトレーニングした下流制御ポリシのトレーニング効率と最終的なパフォーマンス。 実験の結果、KDMRは純粋にキネマティックな手法よりも優れており、動的に実行可能な基準軌道が得られ、政策収束を加速し、全体の移動安定性が向上することが示された。 エンドツーエンドのパイプラインは、公開時にオープンソース化されます。

関連論文リスト

• RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
  自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。 我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-18T17:02:56Z)
• SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
  人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。 タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:03:14Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• Implicit Kinodynamic Motion Retargeting for Human-to-humanoid Imitation Learning [35.8296790596745]
  Implicit Kinodynamic Motion Retargeting (IKMR)は、キネマティクスとダイナミックスの両方を考慮した、効率的でスケーラブルなフレームワークである。 IKMRは、モーション領域マッピングを学ぶために、モーショントポロジ表現とデュアルエンコーダデコーダアーキテクチャを事前訓練する。 実物大のヒューマノイドロボットでシミュレータと実物ロボットの両方で実験を行う。
  論文  参考訳（メタデータ） (2025-09-18T21:34:02Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• Differentiable Motion Manifold Primitives for Reactive Motion Generation under Kinodynamic Constraints [5.982922468400902]
  Differentiable Motion Manifold Primitives (DMMP)は、連続時間で微分可能な軌道を符号化し生成する新しいニューラルネットワークアーキテクチャである。 7-DoFロボットアームを用いた動的投球実験では、DMMPは計画速度、タスク成功、制約満足度において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-16T03:29:33Z)
• GraMMaR: Ground-aware Motion Model for 3D Human Motion Reconstruction [61.833152949826946]
  本研究では,GraMMaRという3次元人体動作再構成のための新しいグラウンド・アウェア・モーション・モデルを提案する。 GraMMaRは、動きシーケンスの各時間ステップにおいて、ポーズにおける遷移の分布と、各関節面と接地面の間の相互作用を学習する。 運動と地面への距離変化との整合性を明確に促進するように訓練されている。
  論文  参考訳（メタデータ） (2023-06-29T07:22:20Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。