論文の概要: Neural Assistive Impulses: Synthesizing Exaggerated Motions for Physics-based Characters

• arxiv url: http://arxiv.org/abs/2604.05394v1
• Date: Tue, 07 Apr 2026 03:47:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.60993
• Title: Neural Assistive Impulses: Synthesizing Exaggerated Motions for Physics-based Characters
• Title（参考訳）: ニューラル・アシスティブ・インパルス:物理系キャラクタのための誇張運動の合成
• Authors: Zhiquan Wang, Bedrich Benes,
• Abstract要約: インパルスニューラルコントロール(インパルスニューラルコントロール、英: Impulse Neural Control)は、数値安定性を確保するために、インパルス空間の外部補助を強制空間ではなく再構成するフレームワークである。 我々の手法は、高度にアジャイルで、動的に実現不可能な操作のロバストな追跡を可能にすることを実証する。
• 参考スコア（独自算出の注目度）: 13.307372537282333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Physics-based character animation has become a fundamental approach for synthesizing realistic, physically plausible motions. While current data-driven deep reinforcement learning (DRL) methods can synthesize complex skills, they struggle to reproduce exaggerated, stylized motions, such as instantaneous dashes or mid-air trajectory changes, which are required in animation but violate standard physical laws. The primary limitation stems from modeling the character as an underactuated floating-base system, in which internal joint torques and momentum conservation strictly govern motion. Direct attempts to enforce such motions via external wrenches often lead to training instability, as velocity discontinuities produce sparse, high-magnitude force spikes that prevent policy convergence. We propose Assistive Impulse Neural Control, a framework that reformulates external assistance in impulse space rather than force space to ensure numerical stability. We decompose the assistive signal into an analytic high-frequency component derived from Inverse Dynamics and a learned low-frequency residual correction, governed by a hybrid neural policy. We demonstrate that our method enables robust tracking of highly agile, dynamically infeasible maneuvers that were previously intractable for physics-based methods.
• Abstract（参考訳）: 物理に基づくキャラクターアニメーションは、現実的で物理的に妥当な動きを合成するための基本的なアプローチとなっている。 現在のデータ駆動深部強化学習(DRL)法は複雑なスキルを合成できるが、アニメーションでは必要だが標準的な物理法則に反する即時ダッシュや空中軌道変更のような誇張されたスタイルの動作を再現することは困難である。 主な制限は、内部の関節トルクと運動量保存が厳密に運動を支配している不活性化浮動ベースシステムとしてキャラクタをモデル化することに由来する。 このような動きを外部のレンチを通じて直接行おうとすると、速度の不連続が政策の収束を防ぐためにスパースで高マグニチュードの力のスパイクを発生させるため、しばしばトレーニング不安定が生じる。 本稿では, 数値安定性を確保するため, 力空間ではなくインパルス空間における外部支援を再構成するフレームワークであるAssistive Impulse Neural Controlを提案する。 補助信号を逆ダイナミクスから導出した分析高周波成分と学習された低周波残差補正に分解し、ハイブリッドニューラルポリシーで制御する。 提案手法は,これまで物理学に基づく手法に難渋していた,高度にアジャイルで動的に実現不可能な操作のロバストな追跡を可能にすることを実証する。

関連論文リスト

• Robust and Generalized Humanoid Motion Tracking [17.58241987932198]
  一般的なヒューマノイド全体制御器の学習は、ロボット領域に移動された後、実用的な参照動作がノイズや不整合を示す可能性があるため、困難である。 本稿では,因果的時間的エンコーダを用いた動的条件付きコマンドアグリゲーションフレームワークの提案と,コンテキストウィンドウを選択的に集約するマルチヘッド・クロスアテンション・コマンドエンコーダを提案する。 提案手法は多種多様な参照入力と挑戦的な動作条件の下で評価され,無見えない動作へのゼロショット転送と,物理的ヒューマノイドロボットへのロバストなシミュレート・トゥ・リアル転送が実証された。
  論文  参考訳（メタデータ） (2026-01-30T15:27:43Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• 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)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Optimal-state Dynamics Estimation for Physics-based Human Motion Capture from Videos [6.093379844890164]
  オンライン環境での運動学観測に物理モデルを選択的に組み込む新しい手法を提案する。 リカレントニューラルネットワークを導入し、キネマティックス入力とシミュレートされた動作を熱心にバランスするカルマンフィルタを実現する。 提案手法は,物理に基づく人間のポーズ推定作業に優れ,予測力学の物理的妥当性を示す。
  論文  参考訳（メタデータ） (2024-10-10T10:24:59Z)

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。