論文の概要: Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data
- arxiv url: http://arxiv.org/abs/2603.12686v1
- Date: Fri, 13 Mar 2026 06:02:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-21 18:33:56.747697
- Title: Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data
- Title（参考訳）: 不完全な人間の運動データからアスレチック・ヒューマノイドテニスのスキルを学ぶ
- Authors: Zhikai Zhang, Haofei Lu, Yunrui Lian, Ziqing Chen, Yun Liu, Chenghuai Lin, Han Xue, Zicheng Zeng, Zekun Qi, Shaolin Zheng, Qing Luan, Jingbo Wang, Junliang Xing, He Wang, Li Yi,
- Abstract要約: LATENTは、不完全なヒトモチオN daTaからAthletic humanoid TEnnisスキルを学ぶシステムである。
提案手法は,実世界において驚くべき結果が得られ,人間プレイヤーとのマルチショットラリーを安定的に維持することができる。
- 参考スコア（独自算出の注目度）: 36.20520265640828
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human athletes demonstrate versatile and highly-dynamic tennis skills to successfully conduct competitive rallies with a high-speed tennis ball. However, reproducing such behaviors on humanoid robots is difficult, partially due to the lack of perfect humanoid action data or human kinematic motion data in tennis scenarios as reference. In this work, we propose LATENT, a system that Learns Athletic humanoid TEnnis skills from imperfect human motioN daTa. The imperfect human motion data consist only of motion fragments that capture the primitive skills used when playing tennis rather than precise and complete human-tennis motion sequences from real-world tennis matches, thereby significantly reducing the difficulty of data collection. Our key insight is that, despite being imperfect, such quasi-realistic data still provide priors about human primitive skills in tennis scenarios. With further correction and composition, we learn a humanoid policy that can consistently strike incoming balls under a wide range of conditions and return them to target locations, while preserving natural motion styles. We also propose a series of designs for robust sim-to-real transfer and deploy our policy on the Unitree G1 humanoid robot. Our method achieves surprising results in the real world and can stably sustain multi-shot rallies with human players. Project page: https://zzk273.github.io/LATENT/
- Abstract（参考訳）: 人間のアスリートは、高速なテニスボールで競争力のあるラリーを実行するために多目的で高力のテニススキルを示します。
しかし、テニスのシナリオでは、完全なヒューマノイド動作データや人体運動データが欠如していることから、そのような動作をヒューマノイドロボットで再現することは難しい。
本研究では,不完全なヒトモチオN daTaからAthletic humanoid TEnnisスキルを学習するシステムであるLATENTを提案する。
不完全な人間の動作データは、現実のテニスの試合から、正確で完全な人間テニスの動きシーケンスではなく、テニスをする際の原始的なスキルをキャプチャする動作断片のみで構成され、データ収集の難しさを著しく低減する。
我々の重要な洞察は、不完全であるにもかかわらず、そのような準現実的なデータは、テニスのシナリオにおける人間の原始的スキルに関する事前情報を提供しています。
さらなる修正と構成により、我々は、入ってくるボールを広範囲の条件で連続的に打つことができるヒューマノイドポリシーを学習し、自然運動スタイルを保ちながら、目標地点に戻すことができる。
また、ロバストなsim-to-real転送のための一連の設計を提案し、Unitree G1ヒューマノイドロボットにポリシーをデプロイする。
提案手法は,実世界において驚くべき結果が得られ,人間プレイヤーとのマルチショットラリーを安定的に維持することができる。
プロジェクトページ: https://zzk273.github.io/LATENT/
関連論文リスト
- ZeroWBC: Learning Natural Visuomotor Humanoid Control Directly from Human Egocentric Video [52.78703020909145]
我々は、人間中心のビデオから直接、自然なヒューマノイドビジュモータ制御ポリシーを学ぶ新しいフレームワークであるZeroWBCを紹介した。
提案手法はまず視覚言語モデル(VLM)を微調整し,テキスト命令とエゴセントリックな視覚コンテキストに基づく将来の身体全体の動作を予測する。
ユニツリーG1ヒューマノイドロボットの実験では,動作の自然性と汎用性において,本手法がベースラインアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2026-03-10T04:19:43Z) - Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots [54.54929302887405]
15のアクションカテゴリにまたがる1000のモーションシーケンスからなるHuman-Humanoid Motionデータセットを提案する。
すべてのモーションシーケンスは、視覚的外観の影響を排除するためにSMPL-X表現に変換される。
収集したデータから、ヒューマノイドの動きが人間の動きと顕著なずれを示すことが明らかとなった。
論文 参考訳（メタデータ） (2026-03-06T11:40:56Z) - 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) - SynPlay: Importing Real-world Diversity for a Synthetic Human Dataset [19.32308498024933]
SynPlay(シンセティック・プレイグラウンド)は,人間の外見の多様性を現実世界にもたらすことを目的とした,新しい人工人間データセットである。
これまでの作品では見られなかった多様性のレベルを達成するために、現実的な人間の動きとポーズという2つの要素に焦点を当てる。
モデルトレーニングにSynPlayを使用することで,人間の検出とセグメンテーションのための既存の合成データセットよりも精度が向上することを示す。
論文 参考訳（メタデータ） (2024-08-21T17:58:49Z) - HumanPlus: Humanoid Shadowing and Imitation from Humans [82.47551890765202]
ヒューマノイドが人間のデータから動きや自律的なスキルを学ぶためのフルスタックシステムを導入する。
まず、既存の40時間動作データセットを用いて、強化学習によるシミュレーションの低レベルポリシーを訓練する。
次に、自己中心型視覚を用いてスキルポリシーを訓練し、ヒューマノイドが自律的に異なるタスクを完了できるようにする。
論文 参考訳（メタデータ） (2024-06-15T00:41:34Z) - Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation [34.65637397405485]
本稿では,Human to Humanoid(H2O)について紹介する。H2Oは,RGBカメラのみを搭載したヒューマノイドロボットのリアルタイム遠隔操作を実現するフレームワークである。
我々は、これらの洗練された動きを用いてシミュレーションで頑健なリアルタイムヒューマノイド運動模倣機を訓練し、実ヒューマノイドロボットにゼロショットで転送する。
私たちの知る限りでは、学習に基づくリアルタイムな人型ロボット遠隔操作を実現する最初のデモとなる。
論文 参考訳（メタデータ） (2024-03-07T12:10:41Z) - Expressive Whole-Body Control for Humanoid Robots [20.132927075816742]
我々は、人間の動きをできるだけリアルに模倣するために、人間サイズのロボットで全身制御ポリシーを学習する。
シミュレーションとSim2Real転送のトレーニングにより、私たちのポリシーはヒューマノイドロボットを制御して、さまざまなスタイルで歩いたり、人と握手したり、現実世界で人間と踊ったりできる。
論文 参考訳（メタデータ） (2024-02-26T18:09:24Z) - SynH2R: Synthesizing Hand-Object Motions for Learning Human-to-Robot Handovers [35.386426373890615]
視覚に基づく人間とロボットのハンドオーバは、人間とロボットのインタラクションにおいて重要かつ困難なタスクである。
本稿では,ロボットの訓練に適した人間のつかみ動作を生成するためのフレームワークを提案する。
これにより、以前の作業よりも100倍多くのオブジェクトで、総合的なトレーニングとテストデータを生成することができます。
論文 参考訳（メタデータ） (2023-11-09T18:57:02Z)
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。