論文の概要: TAIHRI: Task-Aware 3D Human Keypoints Localization for Close-Range Human-Robot Interaction

• arxiv url: http://arxiv.org/abs/2604.08921v1
• Date: Fri, 10 Apr 2026 03:33:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.667605
• Title: TAIHRI: Task-Aware 3D Human Keypoints Localization for Close-Range Human-Robot Interaction
• Title（参考訳）: TAIHRI: タスク認識型3Dヒューマンキーポイントによる近距離ロボットインタラクションのローカライゼーション
• Authors: Ao Li, Yonggen Ling, Yiyang Lin, Yuji Wang, Yong Deng, Yansong Tang,
• Abstract要約: 本研究では,近距離HRI知覚に適した第1ビジョン言語モデル(VLM)であるTAIHRIを提案する。 3Dキーポイントを有限な相互作用空間に量子化することにより、TAIHRIは臨界体部分の3D空間座標を正確に局所化する。 自己中心型相互作用ベンチマーク実験により,TAIHRIはタスククリティカルな身体部品に対して優れた推定精度を達成できることが示された。
• 参考スコア（独自算出の注目度）: 45.785344977388014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate 3D human keypoints localization is a critical technology enabling robots to achieve natural and safe physical interaction with users. Conventional 3D human keypoints estimation methods primarily focus on the whole-body reconstruction quality relative to the root joint. However, in practical human-robot interaction (HRI) scenarios, robots are more concerned with the precise metric-scale spatial localization of task-relevant body parts under the egocentric camera 3D coordinate. We propose TAIHRI, the first Vision-Language Model (VLM) tailored for close-range HRI perception, capable of understanding users' motion commands and directing the robot's attention to the most task-relevant keypoints. By quantizing 3D keypoints into a finite interaction space, TAIHRI precisely localize the 3D spatial coordinates of critical body parts by 2D keypoint reasoning via next token prediction, and seamlessly adapt to downstream tasks such as natural language control or global space human mesh recovery. Experiments on egocentric interaction benchmarks demonstrate that TAIHRI achieves superior estimation accuracy for task-critical body parts. We believe TAIHRI opens new research avenues in the field of embodied human-robot interaction. Code is available at: https://github.com/Tencent/TAIHRI.
• Abstract（参考訳）: 正確な3D人間のキーポイントのローカライゼーションは、ロボットが自然で安全な物理的インタラクションをユーザと実現できるようにする重要な技術である。 従来の3次元人間のキーポイント推定法は, ルートジョイントに対する全身再建品質に主眼を置いている。 しかし,現実的な人間-ロボット相互作用(HRI)のシナリオでは,ロボットは自我中心カメラ3D座標の下でのタスク関連体の精密な空間的位置決めにより関心を持っている。 本研究では,ユーザの動作指示を理解し,タスク関連キーポイントにロボットの注意を向けることのできる,近距離HRI知覚に適した最初の視覚言語モデルであるTAIHRIを提案する。 3Dキーポイントを有限な相互作用空間に量子化することにより、TAIHRIは、次のトークン予測によって臨界体部の3D空間座標を2Dキーポイント推論により正確にローカライズし、自然言語制御やグローバルスペースのヒューマンメッシュリカバリといった下流タスクにシームレスに適応する。 自己中心型相互作用ベンチマーク実験により,TAIHRIはタスククリティカルな身体部品に対して優れた推定精度を達成できることが示された。 TAIHRIは、人間とロボットの相互作用を具体化する新しい研究の道を開いたと信じている。 コードは、https://github.com/Tencent/TAIHRI.comで入手できる。

関連論文リスト

• Learning Human-Object Interaction for 3D Human Pose Estimation from LiDAR Point Clouds [49.219348802596876]
  LiDARポイントクラウドから人間を理解することは、自動運転における最も重要なタスクの1つだ。 既存の手法は、人間とオブジェクトの相互作用を活用して、堅牢な3Dポーズ推定フレームワークを構築する可能性を大きく見落としている。 そこで我々は,LiDAR点雲からの堅牢な3次元ポーズ推定のためのヒューマン・オブジェクト・インタラクション・ラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-17T10:20:29Z)
• Exploring 3D Human Pose Estimation and Forecasting from the Robot's Perspective: The HARPER Dataset [52.22758311559]
  本研究では,ユーザとスポット間のダイアドインタラクションにおける3次元ポーズ推定と予測のための新しいデータセットであるHARPERを紹介する。 キーノーベルティは、ロボットの視点、すなわちロボットのセンサーが捉えたデータに焦点を当てることである。 HARPERの基盤となるシナリオには15のアクションが含まれており、そのうち10つはロボットとユーザの間の物理的接触を含んでいる。
  論文  参考訳（メタデータ） (2024-03-21T14:53:50Z)
• ScanERU: Interactive 3D Visual Grounding based on Embodied Reference Understanding [67.21613160846299]
  Embodied Reference Understanding (ERU) はこの懸念に対して最初に設計されている。 ScanERUと呼ばれる新しいデータセットは、このアイデアの有効性を評価するために構築されている。
  論文  参考訳（メタデータ） (2023-03-23T11:36:14Z)
• External Camera-based Mobile Robot Pose Estimation for Collaborative Perception with Smart Edge Sensors [22.5939915003931]
  本稿では,移動ロボットのポーズを多視点RGB画像を用いた静的カメラネットワークのアロセントリック座標で推定する手法を提案する。 画像はオンラインで、深層ニューラルネットワークによってスマートエッジセンサーでローカルに処理され、ロボットを検出する。 ロボットのポーズを正確に推定すると、その観察は同中心のシーンモデルに融合することができる。
  論文  参考訳（メタデータ） (2023-03-07T11:03:33Z)
• Human keypoint detection for close proximity human-robot interaction [29.99153271571971]
  近接ロボット相互作用の文脈における最先端人間のキーポイント検出器の性能について検討した。 MMPoseとAlphaPoseは近接して全体キーポイント検出器を動作させたが、どちらも指検出に難しかった。 本稿では,MMPose または AlphaPose の身体用と MediaPipe を,最も正確かつ堅牢な検出が可能な単一のフレームワークで組み合わせて提案する。
  論文  参考訳（メタデータ） (2022-07-15T20:33:29Z)
• Extracting Zero-shot Common Sense from Large Language Models for Robot 3D Scene Understanding [25.270772036342688]
  本稿では,ラベリングルームのための大規模言語モデルに埋め込まれた共通感覚を活用する新しい手法を提案する。 提案アルゴリズムは,現代の空間認識システムによって生成された3次元シーングラフで動作する。
  論文  参考訳（メタデータ） (2022-06-09T16:05:35Z)
• Few-Shot Visual Grounding for Natural Human-Robot Interaction [0.0]
  本稿では,人間ユーザによって音声で示される,混み合ったシーンから対象物を分割するソフトウェアアーキテクチャを提案する。 システムのコアでは、視覚的な接地のためにマルチモーダルディープニューラルネットワークを使用します。 公開シーンデータセットから収集した実RGB-Dデータに対して,提案モデルの性能を評価する。
  論文  参考訳（メタデータ） (2021-03-17T15:24:02Z)
• Perceiving Humans: from Monocular 3D Localization to Social Distancing [93.03056743850141]
  本稿では,人間の3次元位置と身体の向きを1つの画像から知覚する,コスト効率の高い視覚ベースの新しい手法を提案する。 我々は,「社会的距離」という概念を,単純な位置に基づくルールとは対照的に,社会的相互作用の一形態として再考することが可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-01T10:12:30Z)

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。