論文の概要: MotionBricks: Scalable Real-Time Motions with Modular Latent Generative Model and Smart Primitives
- arxiv url: http://arxiv.org/abs/2604.24833v1
- Date: Mon, 27 Apr 2026 17:58:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.528
- Title: MotionBricks: Scalable Real-Time Motions with Modular Latent Generative Model and Smart Primitives
- Title（参考訳）: MotionBricks: モジュール潜在生成モデルとスマートプリミティブを備えたスケーラブルなリアルタイムモーション
- Abstract要約: 大規模なリアルタイム生成フレームワークであるMotionBricksを紹介した。
まず,ロバストなリアルタイム動作生成に適した大規模モジュールラテント生成バックボーンを提案する。
第二に、ナビゲーションとオブジェクトインタラクションの両方をオーサリングするための統一的で堅牢で直感的なインターフェースを提供するスマートプリミティブを導入します。
- 参考スコア（独自算出の注目度）: 32.00473064932455
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite transformative advances in generative motion synthesis, real-time interactive motion control remains dominated by traditional techniques. In this work, we identify two key challenges in bridging research and production: 1) Real-time scalability: Industry applications demand real-time generation of a vast repertoire of motion skills, while generative methods exhibit significant degradation in quality and scalability under real-time computation constraints, and 2) Integration: Industry applications demand fine-grained multi-modal control involving velocity commands, style selection, and precise keyframes, a need largely unmet by existing text- or tag-driven models. To overcome these limitations, we introduce MotionBricks: a large-scale, real-time generative framework with a two-fold solution. First, we propose a large-scale modular latent generative backbone tailored for robust real-time motion generation, effectively modeling a dataset of over 350,000 motion clips with a single model. Second, we introduce smart primitives that provide a unified, robust, and intuitive interface for authoring both navigation and object interaction. Applications can be designed in a plug-and-play manner like assembling bricks without expert animation knowledge. Quantitatively, we show that MotionBricks produces state-of-the-art motion quality on open-source and proprietary datasets of various scales, while also achieving a real-time throughput of 15,000 FPS with 2ms latency. We demonstrate the flexibility and robustness of MotionBricks in a complete production-level animation demo, covering navigation and object-scene interaction across various styles with a unified model. To showcase our framework's application beyond animation, we deploy MotionBricks on the Unitree G1 humanoid robot to demonstrate its flexibility and generalization for real-time robotic control.
- Abstract（参考訳）: 生成運動合成の革新的進歩にもかかわらず、リアルタイムのインタラクティブな動作制御は従来の技術に支配されている。
本研究では,研究と生産の橋渡しにおける2つの重要な課題を明らかにする。
1) リアルタイムスケーラビリティ: 産業アプリケーションは、膨大な動きスキルのレパートリーをリアルタイムに生成することを要求する一方、生成手法は、リアルタイム計算制約下での品質とスケーラビリティを著しく低下させる。
2) 統合: 産業アプリケーションは、ベロシティコマンド、スタイルの選択、正確なキーフレームを含む、きめ細かいマルチモーダル制御を必要とします。
これらの制限を克服するため、我々はMotionBricksを紹介した。
まず,350,000本以上のモーションクリップのデータセットを1つのモデルで効果的にモデル化し,ロバストなリアルタイムモーション生成に適した大規模モジュールラテント生成バックボーンを提案する。
第二に、ナビゲーションとオブジェクトインタラクションの両方をオーサリングするための統一的で堅牢で直感的なインターフェースを提供するスマートプリミティブを導入します。
アプリケーションは、熟練したアニメーション知識なしでレンガを組み立てるなど、プラグアンドプレイで設計することができる。
定量的に、MotionBricksは、様々なスケールのオープンソースおよびプロプライエタリなデータセット上で、最先端のモーションクオリティを生成すると同時に、2msのレイテンシを持つ15,000 FPSのリアルタイムスループットを実現する。
我々はMotionBricksの柔軟性と堅牢性を実運用レベルのアニメーションデモで示し、ナビゲーションとオブジェクトとシーンのインタラクションを統一されたモデルでカバーした。
アニメーション以外のフレームワークのアプリケーションをデモするために,Unitree G1のヒューマノイドロボットにMotionBricksをデプロイし,その柔軟性とリアルタイムロボット制御の一般化を実証する。
関連論文リスト
- AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling [60.13338774249153]
我々はOmniHuMoを紹介した。OmniHuMoは5000時間以上の動作と320万のシーケンスのデータセットで、正確に整列されたマルチモーダルアノテーションである。
我々は、Residual FSQベースのモーショントークンーザとスケーラブルなマスク付きモデリング変換器を組み合わせた統合マルチモーダルフレームワークであるAnyMoを提案する。
実験の結果,AnyMoは空間特性とスタイリスティック特性の両方を柔軟に制御しながら高忠実度合成を実現することがわかった。
論文 参考訳（メタデータ） (2026-05-28T07:15:19Z) - Wan-Move: Motion-controllable Video Generation via Latent Trajectory Guidance [107.25252623824296]
Wan-Moveは、ビデオ生成モデルにモーションコントロールを提供するフレームワークである。
私たちの中核となる考え方は、動画を誘導するためのモーションアウェアを元の状態にすることです。
Wan-Moveは5秒、480pの動画を制作し、Kling 1.5の商用モーションブラシに対抗している。
論文 参考訳（メタデータ） (2025-12-09T16:13:55Z) - UniMo: Unifying 2D Video and 3D Human Motion with an Autoregressive Framework [54.337290937468175]
統合された枠組み内での2次元映像と3次元映像の協調モデリングのための自己回帰モデルUniMoを提案する。
本手法は,正確なモーションキャプチャを行いながら,対応する映像と動きを同時に生成することを示す。
論文 参考訳（メタデータ） (2025-12-03T16:03:18Z) - Matrix-Game 2.0: An Open-Source, Real-Time, and Streaming Interactive World Model [15.16063778402193]
Matrix-Game 2.0はインタラクティブな世界モデルで、数ステップの自己回帰拡散を通じて長時間の動画をオンザフライで生成する。
超高速25FPSで、さまざまなシーンで高品質のミニレベルビデオを生成することができる。
論文 参考訳（メタデータ） (2025-08-18T15:28:53Z) - EchoMimicV3: 1.3B Parameters are All You Need for Unified Multi-Modal and Multi-Task Human Animation [8.214084596349744]
EchoMimicV3はマルチタスクとマルチモーダルアニメーションを統合する効率的なフレームワークである。
最小のモデルサイズが13億のEchoMimicV3は、定量評価と定性評価の両方で競合性能を達成する。
論文 参考訳（メタデータ） (2025-07-05T05:36:26Z) - GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。
我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。
我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
論文 参考訳（メタデータ） (2025-05-02T17:59:55Z) - PRIMAL: Physically Reactive and Interactive Motor Model for Avatar Learning [38.004463823796286]
我々は,対話型アバターの運動系を生成運動モデルとして定式化する。
基礎モデルの最近の進歩に触発されて,我々はPRIMALを提案する。
このモデルを利用して、Unreal Engineでリアルタイムのキャラクターアニメーションシステムを作成します。
論文 参考訳（メタデータ） (2025-03-21T21:27:57Z) - Scaling Large Motion Models with Million-Level Human Motions [67.40066387326141]
我々は、モーション生成のための最初の100万レベルのデータセットであるMotionLibを紹介する。
我々は Projname という名の大きな運動モデルを訓練し、幅広い人間の活動に頑健なパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-10-04T10:48:54Z) - MotionCraft: Crafting Whole-Body Motion with Plug-and-Play Multimodal Controls [30.487510829107908]
プラグ・アンド・プレイ・マルチモーダル制御による全身動作を実現する統合拡散変換器であるMotionCraftを提案する。
我々のフレームワークは、テキスト・ツー・モーション・セマンティック・トレーニングの第1段階から始まる粗大な訓練戦略を採用している。
本稿では,SMPL-Xフォーマットを統一したマルチモーダル全体モーション生成ベンチマークMC-Benchを紹介する。
論文 参考訳（メタデータ） (2024-07-30T18:57:06Z) - Large Motion Model for Unified Multi-Modal Motion Generation [50.56268006354396]
Large Motion Model (LMM) は、動き中心のマルチモーダルフレームワークであり、メインストリームのモーション生成タスクをジェネラリストモデルに統合する。
LMMは3つの原則的な側面からこれらの課題に取り組む。
論文 参考訳（メタデータ） (2024-04-01T17:55:11Z) - Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。
我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。
本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
論文 参考訳（メタデータ） (2023-06-01T07:48:34Z) - Dynamic Future Net: Diversified Human Motion Generation [31.987602940970888]
人間のモーションモデリングはコンピュータグラフィックス、視覚、仮想現実など多くの分野で重要である。
我々は,人間の運動力学の本質的な運動性に着目した新しい深層学習モデルであるDynamic Future Netを提案する。
我々のモデルでは、任意の時間で多数の高品質な動きを生成でき、空間と時間の両方の変動を視覚的に解析することができる。
論文 参考訳（メタデータ） (2020-08-25T02:31:41Z)
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。