論文の概要: CyboRacket: A Perception-to-Action Framework for Humanoid Racket Sports

• arxiv url: http://arxiv.org/abs/2603.14605v1
• Date: Sun, 15 Mar 2026 21:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.837249
• Title: CyboRacket: A Perception-to-Action Framework for Humanoid Racket Sports
• Title（参考訳）: CyboRacket:Humanoid Racketスポーツのための知覚と行動のフレームワーク
• Authors: Peng Ren, Chuan Qi, Haoyang Ge, Qiyuan Su, Xuguo He, Cong Huang, Pei Chi, Jiang Zhao, Kai Chen,
• Abstract要約: CyboRacketはヒューマノイドラケットスポーツのための階層的な知覚と行動のフレームワークである。 搭載されている視覚認識、物理に基づく軌道予測、大規模で事前訓練された全身制御を統合している。 視覚に基づくヒューマノイドテニスハイティングの課題について述べる。
• 参考スコア（独自算出の注目度）: 12.562008425243578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic ball-interaction tasks remain challenging for robots because they require tight perception-action coupling under limited reaction time. This challenge is especially pronounced in humanoid racket sports, where successful interception depends on accurate visual tracking, trajectory prediction, coordinated stepping, and stable whole-body striking. Existing robotic racket-sport systems often rely on external motion capture for state estimation or on task-specific low-level controllers that must be retrained across tasks and platforms. We present CyboRacket, a hierarchical perception-to-action framework for humanoid racket sports that integrates onboard visual perception, physics-based trajectory prediction, and large-scale pre-trained whole-body control. The framework uses onboard cameras to track the incoming object, predicts its future trajectory, and converts the estimated interception state into target end-effector and base-motion commands for whole-body execution by SONIC on the Unitree G1 humanoid robot. We evaluate the proposed framework in a vision-based humanoid tennis-hitting task. Experimental results demonstrate real-time visual tracking, trajectory prediction, and successful striking using purely onboard sensing.
• Abstract（参考訳）: 動的球-相互作用タスクは、反応時間に制限された知覚-作用結合を必要とするため、ロボットにとって依然として困難である。 この課題はヒューマノイドラケットスポーツにおいて特に顕著であり、正確な視線追跡、軌道予測、調整された歩数、安定した全身の打撃に依存している。 既存のロボットラケットスポーツシステムは、状態推定のための外部モーションキャプチャや、タスクやプラットフォーム間で再トレーニングが必要なタスク固有の低レベルコントローラに依存していることが多い。 本稿では,ヒューマノイドラケットスポーツの階層的認識・行動フレームワークであるCyboRacketについて述べる。 このフレームワークは、搭載されているカメラを用いて、入ってくる物体を追跡し、その将来の軌道を予測し、推定されたインターセプション状態を目標のエンドエフェクタに変換し、ベースモーションコマンドに変換し、Unitree G1ヒューマノイドロボット上でSONICによる全身実行を行う。 視覚に基づくヒューマノイドテニスハイティング課題における提案手法の評価を行った。 実験により, 実時間視線追跡, 軌道予測, および純粋に搭載したセンシングによる打撃効果が示された。

関連論文リスト

• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Light Future: Multimodal Action Frame Prediction via InstructPix2Pix [0.764671395172401]
  本稿では,ロボット行動予測の新しい,効率的かつ軽量なアプローチを提案する。 従来のビデオ予測モデルに比べて計算コストと推論遅延が大幅に削減されている。 ロボットタスクの将来の視覚的フレームを予測するために、InstructPix2Pixモデルの適応を開拓した。
  論文  参考訳（メタデータ） (2025-07-20T03:57:18Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• Learning coordinated badminton skills for legged manipulators [12.514822343998908]
  我々は,手足の移動マニピュレータがバドミントンを奏でるようにするためのアプローチを提案する。 本研究は,全身運動能力のための強化学習に基づく統一的制御政策を提案する。 本手法は,シャトルコック予測モデル,ロバスト動作制御のための制約付き強化学習,システム同定技術を含む。
  論文  参考訳（メタデータ） (2025-05-29T01:26:30Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)
• PUCK: Parallel Surface and Convolution-kernel Tracking for Event-Based Cameras [4.110120522045467]
  イベントカメラは、動的環境における高速な視覚センシングを保証できるが、ロボットのエゴモーションによって引き起こされる高いデータ速度に追従できる追跡アルゴリズムを必要とする。 本稿では,EROS(Exponential Reduced Ordinal Surface)データ表現を利用してイベント・バイ・イベント処理とトラッキングを分離する新しいトラッキング手法を提案する。 エアホッケーパックが表面を滑り落ちるのをトラッキングするタスクを提案し、将来はiCubロボットを正確に時間通りに目標に到達させることが目的である。
  論文  参考訳（メタデータ） (2022-05-16T13:23:52Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)

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。