論文の概要: SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision
- arxiv url: http://arxiv.org/abs/2604.01158v1
- Date: Wed, 01 Apr 2026 17:11:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:32.111393
- Title: SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision
- Title（参考訳）: SMASH:エゴセントリックビジョンを備えたヒューマノイドピンポンのためのスケーラブルな全体スキルを習得する
- Authors: Junli Ren, Yinghui Li, Kai Zhang, Penglin Fu, Haoran Jiang, Yixuan Pan, Guangjun Zeng, Tao Huang, Weizhong Guo, Peng Lu, Tianyu Li, Jingbo Wang, Li Chen, Hongyang Li, Ping Luo,
- Abstract要約: Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。
これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。
そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
- 参考スコア（独自算出の注目度）: 53.709632118234936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing humanoid table tennis systems remain limited by their reliance on external sensing and their inability to achieve agile whole-body coordination for precise task execution. These limitations stem from two core challenges: achieving low-latency and robust onboard egocentric perception under fast robot motion, and obtaining sufficiently diverse task-aligned strike motions for learning precise yet natural whole-body behaviors. In this work, we present \methodname, a modular system for agile humanoid table tennis that unifies scalable whole-body skill learning with onboard egocentric perception, eliminating the need for external cameras during deployment. Our work advances prior humanoid table-tennis systems in three key aspects. First, we achieve agile and precise ball interaction with tightly coordinated whole-body control, rather than relying on decoupled upper- and lower-body behaviors. This enables the system to exhibit diverse strike motions, including explosive whole-body smashes and low crouching shots. Second, by augmenting and diversifying strike motions with a generative model, our framework benefits from scalable motion priors and produces natural, robust striking behaviors across a wide workspace. Third, to the best of our knowledge, we demonstrate the first humanoid table-tennis system capable of consecutive strikes using onboard sensing alone, despite the challenges of low-latency perception, ego-motion-induced instability, and limited field of view. Extensive real-world experiments demonstrate stable and precise ball exchanges under high-speed conditions, validating scalable, perception-driven whole-body skill learning for dynamic humanoid interaction tasks.
- Abstract（参考訳）: 既存のヒューマノイドテーブルテニスシステムは、外部センサーへの依存と、正確なタスク実行のためのアジャイル全体の調整を達成できないことによる制限が残っている。
これらの制限は、高速ロボット動作下で低レイテンシと頑健な自我中心の知覚を達成すること、そして正確かつ自然な全身動作を学ぶために十分な多様なタスク整列ストライク動作を得ることの2つの主要な課題に起因している。
そこで本研究では,アジャイルなヒューマノイドテーブルテニス用モジュールシステムである‘methodname’を紹介した。
我々の研究は、先行するヒューマノイドテーブルテニスシステムを3つの重要な側面で前進させる。
まず、分離した上半身と下半身の振る舞いに頼るのではなく、緊密に調整された全身のコントロールとアジャイルで正確なボールインタラクションを実現する。
これにより、爆発的な全身のスマッシュや低いしゃがみ込みショットなど、多様なストライク動作を見せることができる。
第2に、生成モデルによるストライク動作の強化と多様化により、我々のフレームワークは、スケーラブルな動作先行から恩恵を受け、広い作業空間にわたって自然で堅牢なストライク動作を生成する。
第3に,本研究では,低遅延知覚,自我運動誘発不安定性,視野の制限といった課題にも拘わらず,オンボードセンシングだけで連続的なストライクを行うことのできる,最初のヒューマノイドテーブルテニスシステムについて紹介する。
大規模な実世界の実験は、高速な条件下での安定かつ正確なボール交換を実証し、動的ヒューマノイド相互作用タスクのためのスケーラブルで知覚駆動型全身スキル学習を検証する。
関連論文リスト
- Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。
本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。
我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
論文 参考訳（メタデータ） (2026-02-17T18:59:11Z) - Learning Human-Like Badminton Skills for Humanoid Robots [25.27775061243493]
ロボットを「ミミック」から「ストライカー」に進化させるための進歩的強化学習フレームワークを提案する。
提案手法は,人体データに先立って頑健なモータを確立し,それをコンパクトなモデルベース状態表現に蒸留し,逆方向の先立って動的に安定化する。
シミュレーションでは、リフトやドロップショットを含む多様なスキルの習得を通じて、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2026-02-09T08:09:52Z) - Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。
本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。
ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
論文 参考訳（メタデータ） (2026-02-05T05:05:03Z) - RoboStriker: Hierarchical Decision-Making for Autonomous Humanoid Boxing [43.240817529539356]
RoboStrikerは、完全に自律的なヒューマノイドボクシングを可能にする階層的な3段階のフレームワークである。
このフレームワークは、まず、人間のモーションキャプチャーデータに基づいてシングルエージェントモーショントラッカーをトレーニングすることにより、ボクシングスキルの包括的なレパートリーを学習する。
最終段階では、Latent-Space Neural Fictitious Self-Play (LS-NFSP)を導入する。
論文 参考訳（メタデータ） (2026-01-30T03:51:58Z) - Hand-Aware Egocentric Motion Reconstruction with Sequence-Level Context [17.735273173582716]
本稿では,頭部軌跡と間欠的に見える手探触子を直接条件とする,最初の手認識型シーケンスレベルの拡散フレームワークHaMoSを提案する。
また, 身体形状や視野といったシーケンスレベルのコンテキストが, 正確な運動再構成に不可欠であることを示す。
論文 参考訳（メタデータ） (2025-12-22T11:26:41Z) - SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending [79.83865372778273]
SkillBlenderは、多目的なヒューマノイドロコ操作のための新しい階層的強化学習フレームワークである。
SkillBlenderは、まずゴール条件付きタスク非依存のプリミティブスキルを事前訓練し、その後、これらのスキルを動的にブレンドして複雑なロコ操作タスクを達成する。
また,3つのエボディメント,4つのプリミティブスキル,8つの難解なロコ操作タスクを含む並列的,クロスエボディメント,多種多様なシミュレーションベンチマークであるSkillBenchを紹介した。
論文 参考訳（メタデータ） (2025-06-11T03:24:26Z) - Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。
具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。
フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文 参考訳（メタデータ） (2025-02-24T14:53:45Z) - ExBody2: Advanced Expressive Humanoid Whole-Body Control [16.69009772546575]
人間のモーションキャプチャーとシミュレーションデータの両方に基づいてトレーニングされた全身トラッキングコントローラの製作法を提案する。
我々は,ロボットのキネマティクスに適合する中間データを生成するために,教師の方針を利用する。
少量のデータによる微調整により追跡性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-12-17T18:59:51Z)
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。