論文の概要: Make Tracking Easy: Neural Motion Retargeting for Humanoid Whole-body Control

• arxiv url: http://arxiv.org/abs/2603.22201v1
• Date: Mon, 23 Mar 2026 16:59:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.801209
• Title: Make Tracking Easy: Neural Motion Retargeting for Humanoid Whole-body Control
• Title（参考訳）: 追跡が簡単になる:人間型全身制御のためのニューラルモーション・リターゲティング
• Authors: Qingrui Zhao, Kaiyue Yang, Xiyu Wang, Shiqi Zhao, Yi Lu, Xinfang Zhang, Wei Yin, Qiu Shen, Xiao-Xiao Long, Xun Cao,
• Abstract要約: 本稿では,不均一な動きを潜在モチーフにグループ化するニューラルモーション・リターゲティング・フレームワークを提案する。 この戦略により、計算の並列学習の専門家は大幅に削減される。 参照は、全身制御ポリシーの収束を加速する。
• 参考スコア（独自算出の注目度）: 43.01629060165596
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid robots require diverse motor skills to integrate into complex environments, but bridging the kinematic and dynamic embodiment gap from human data remains a major bottleneck. We demonstrate through Hessian analysis that traditional optimization-based retargeting is inherently non-convex and prone to local optima, leading to physical artifacts like joint jumps and self-penetration. To address this, we reformulate the targeting problem as learning data distribution rather than optimizing optimal solutions, where we propose NMR, a Neural Motion Retargeting framework that transforms static geometric mapping into a dynamics-aware learned process. We first propose Clustered-Expert Physics Refinement (CEPR), a hierarchical data pipeline that leverages VAE-based motion clustering to group heterogeneous movements into latent motifs. This strategy significantly reduces the computational overhead of massively parallel reinforcement learning experts, which project and repair noisy human demonstrations onto the robot's feasible motion manifold. The resulting high-fidelity data supervises a non-autoregressive CNN-Transformer architecture that reasons over global temporal context to suppress reconstruction noise and bypass geometric traps. Experiments on the Unitree G1 humanoid across diverse dynamic tasks (e.g., martial arts, dancing) show that NMR eliminates joint jumps and significantly reduces self-collisions compared to state-of-the-art baselines. Furthermore, NMR-generated references accelerate the convergence of downstream whole-body control policies, establishing a scalable path for bridging the human-robot embodiment gap.
• Abstract（参考訳）: 人間型ロボットは複雑な環境に組み込むには多様なモータースキルを必要とするが、人間のデータからキネマティックとダイナミックなエンボディメントのギャップを埋めることは大きなボトルネックである。 我々は,従来の最適化に基づく再ターゲティングが本質的に非凸であり,局所最適であることを示す。 そこで我々は,静的幾何マッピングを動的に認識した学習プロセスに変換するニューラルモーション・リターゲティングフレームワークであるNMRを提案する。 本稿では, 階層型データパイプラインのCEPR(Clustered-Expert Physics Refinement)を提案する。 この戦略は、ロボットの実行可能な運動多様体に、ノイズの多い人間のデモを投影し、修復する、超並列強化学習専門家の計算オーバーヘッドを大幅に削減する。 その結果,非自己回帰型CNN-Transformerアーキテクチャを監督し,再構成雑音の抑制と幾何学的トラップの回避を図る。 ユニツリーG1のヒューマノイド(例えば、武道、ダンス)の実験は、NMRが関節ジャンプを排除し、最先端のベースラインと比較して自己衝突を著しく減少させることを示している。 さらに、NMRによって生成された参照は、下流全体のコントロールポリシーの収束を加速し、ヒトとロボットのエンボディメントギャップを埋めるためのスケーラブルなパスを確立する。

関連論文リスト

• 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)
• Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization [6.47799404542057]
  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。
  論文  参考訳（メタデータ） (2026-03-10T17:51:17Z)
• 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)
• AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers [49.796014934503184]
  本研究では、単一モデルで多様なロボット形態に人間の動きを適応させることができる統一型ニューラルネットワークフレームワークを提案する。 12個の異なるヒューマノイドロボットの実験結果から、AdaMorphが異種トポロジにわたって効果的に制御できることが示されている。
  論文  参考訳（メタデータ） (2026-01-12T07:39:38Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• 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)

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。