論文の概要: Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos
- arxiv url: http://arxiv.org/abs/2605.23762v1
- Date: Fri, 22 May 2026 15:33:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.41347
- Title: Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos
- Title（参考訳）: 映像からのヒューマノイド模倣学習のためのダイレクトダイナミックリターゲティング
- Authors: Constant Roux, Ludovic De Matteïs, Armand Jordana, Valentin Guillet, Nicolas Mansard, Olivier Stasse, Philippe Souères,
- Abstract要約: 単眼ビデオデモからの模倣学習は、ヒューマノイドロボットに複雑なスキルを教えるためのスケーラブルなアプローチを提供する。
本稿では,エキスパートビデオから直接高忠実で動的に実現可能な軌道を生成する新しい単一ステージフレームワークであるDirect Dynamic Retargeting (DDR)を提案する。
我々の実験は、幾何学的バイアスをバイパスすることで、DDRはデモ追跡精度において最先端のベースラインを上回ることを実証した。
- 参考スコア（独自算出の注目度）: 6.238518905285812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imitation Learning from monocular video demonstrations provides a scalable approach for teaching complex skills to humanoid robots. However, translating human motion to humanoids requires overcoming significant morphological mismatches. Standard approaches rely on Geometric Retargeting or Indirect Dynamic Retargeting pipelines. We identify that these intermediate kinematic projections introduce a geometric bias, restricting the search space and yielding suboptimal dynamic behaviors. In this paper, we propose Direct Dynamic Retargeting (DDR), a novel single-stage framework that generates high-fidelity, dynamically feasible trajectories directly from expert videos. By formulating the problem in the task space and leveraging a sampling-based Model Predictive Control solver within a physics simulator, DDR natively optimizes over complex contact sequences while mitigating input drift. Our experiments demonstrate that bypassing the geometric bias allows DDR to outperform state-of-the-art baselines in demonstration tracking accuracy. Furthermore, we establish that providing such physically viable references to RL agents accelerates training convergence and enhances the final execution of agile and balancing behaviors. Source code will be made publicly available.
- Abstract（参考訳）: 単眼ビデオデモからの模倣学習は、ヒューマノイドロボットに複雑なスキルを教えるためのスケーラブルなアプローチを提供する。
しかしながら、ヒトの運動をヒューマノイドに翻訳するには、重要な形態的ミスマッチを克服する必要がある。
標準的なアプローチは、Geometric RetargetingまたはIndirect Dynamic Retargetingパイプラインに依存している。
これらの中間キネマティック・プロジェクションは、幾何学的バイアスを導入し、探索空間を制限し、準最適動的挙動をもたらす。
本稿では,エキスパートビデオから直接高忠実で動的に実現可能な軌道を生成する新しい単一ステージフレームワークであるDirect Dynamic Retargeting (DDR)を提案する。
タスク空間の問題を定式化し、物理シミュレータ内のサンプリングベースのモデル予測制御問題を活用することにより、DDRは入力ドリフトを緩和しながら複雑な接触シーケンスをネイティブに最適化する。
我々の実験は、幾何学的バイアスをバイパスすることで、DDRはデモ追跡精度において最先端のベースラインを上回ることを実証した。
さらに、そのような物理的に実行可能なRLエージェントへの参照を提供することで、トレーニングの収束が加速し、アジャイルの最終実行とバランスの取れた振る舞いが向上する。
ソースコードは公開されます。
関連論文リスト
- ReActor: Reinforcement Learning for Physics-Aware Motion Retargeting [8.302518310051232]
本稿では,参照動作をロボットの形態に適応させる二段階最適化フレームワークを提案する。
物理シミュレーションと直接統合することにより、ロバストな模倣学習を容易にする物理的に妥当な運動を生成する。
論文 参考訳（メタデータ） (2026-05-07T17:20:15Z) - Make Tracking Easy: Neural Motion Retargeting for Humanoid Whole-body Control [43.01629060165596]
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。
論文 参考訳（メタデータ） (2026-03-23T16:59:00Z) - RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。
我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
論文 参考訳（メタデータ） (2026-03-18T17:02:56Z) - HSImul3R: Physics-in-the-Loop Reconstruction of Simulation-Ready Human-Scene Interactions [69.43316445143408]
HSImul3Rはヒトとシーンの相互作用をシミュレーション可能な3次元再構成のための統合フレームワークである。
既存の手法は知覚とシミュレーションのギャップに悩まされており、物理エンジンの不安定性と、具体化されたAIアプリケーションの失敗につながっている。
論文 参考訳（メタデータ） (2026-03-16T17:58:33Z) - 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) - Generalizable Geometric Prior and Recurrent Spiking Feature Learning for Humanoid Robot Manipulation [90.90219129619344]
本稿では,スパイキング機能を備えたR-prior-S, Recurrent Geometric-priormodal Policyを提案する。
物理的現実の高レベル推論を基礎として、軽量な2次元幾何学的帰納バイアスを利用する。
ロボット行動生成におけるデータ効率問題に対して,再帰的適応スパイクネットワークを導入する。
論文 参考訳（メタデータ） (2026-01-13T23:36:30Z) - 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) - Physics-Grounded Motion Forecasting via Equation Discovery for Trajectory-Guided Image-to-Video Generation [54.42523027597904]
物理グラウンド映像予測のためのシンボル回帰と軌跡誘導映像(I2V)モデルを統合する新しいフレームワークを提案する。
提案手法は,入力ビデオから運動軌跡を抽出し,検索に基づく事前学習機構を用いて記号回帰を向上し,運動方程式を発見し,物理的に正確な将来の軌跡を予測する。
論文 参考訳（メタデータ） (2025-07-09T13:28:42Z) - 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)
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。