論文の概要: SWIM: Single-Instance Whole-Body Imitation for swiMming

• arxiv url: http://arxiv.org/abs/2605.31120v1
• Date: Fri, 29 May 2026 10:30:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.540354
• Title: SWIM: Single-Instance Whole-Body Imitation for swiMming
• Title（参考訳）: SWIM:Swimmingのシングルインスタンス全体模倣
• Abstract要約: 本研究では,身体をベースとした水泳運動を合成する新しい手法を提案する。 SWIMは単一の水泳の動きから学び、見えない環境、体調、水泳スタイルに一般化することができる。
• 参考スコア（独自算出の注目度）: 10.55456764399686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new method for synthesizing physically-based swimming motions. Physically-based character animation aims to generate physically valid, controllable, and natural-looking motions which can respond to unexpected disturbances, where one dictating factor of difficulty is the complexity of the task, especially the level of sophistication of the required interactions with the environment. Existing research has succeeded in various tasks in static and dynamic environments. We push the difficulty further to swimming, which requires full-body coordination and continuous interactions with fluids, a new level of complexity when it comes to interacting with the environment. This complexity imposes challenges in learning control under volatile environmental forces, generalizing control to different environments and swimming styles, lack of data references, and prohibitively slow physical simulation which is inevitable during control learning. To this end, we propose SWIM, a new imitation method for swimming motions, which can learn from a single swimming motion and generalize to unseen environments, body conditions, and swimming styles. Extensive evaluation and comparison demonstrate that SWIM is data-efficient, stable, robust, and generalizable, outperforming alternative methods across multiple classes of tasks and metrics.
• Abstract（参考訳）: 本研究では,身体をベースとした水泳運動を合成する新しい手法を提案する。 物理的にベースとしたキャラクターアニメーションは、予期せぬ混乱に反応しうる物理的に有効で制御可能で自然に見える動きを生成することを目的としており、そこでは困難な要因の1つがタスクの複雑さ、特に環境との必要な相互作用の洗練のレベルである。 既存の研究は、静的および動的環境における様々なタスクに成功している。 水泳は、体全体を調整し、流体と連続的に相互作用する必要があり、環境との相互作用に関しては、新しいレベルの複雑さが必要になります。 この複雑さは、揮発性環境力の下での学習制御の課題、異なる環境や水泳スタイルへの制御の一般化、データ参照の欠如、制御学習中に必然的に避けられない物理シミュレーションの禁止を課している。 そこで本研究では,単一の水泳動作から学習し,目に見えない環境,体調,水泳スタイルに一般化する,新たな水泳動作模倣手法SWIMを提案する。 広範囲な評価と比較は、SWIMがデータ効率、安定、堅牢、一般化可能であり、複数のタスクやメトリクスのクラスにおいて、代替手法よりも優れていることを示している。

関連論文リスト

• GIRAF: Towards Generalizable Human Interactions with Articulated Objects [50.52795413484619]
  そこで本論文では,テキスト条件付き拡散モデルについて述べる。 提案手法は、現在最先端の手法を超越して、未確認のオブジェクト構成に強い一般化を示した。
  論文  参考訳（メタデータ） (2026-07-08T19:30:44Z)
• ComplexMimic: Human-Scene Interaction Imitation in Complex 3D Environments [8.22506959232814]
  物理に基づくヒューマン・シーン・インタラクション(HSI)の模倣学習は、インテリジェンスを具現化する上で重要である。 本稿では,複雑な環境におけるHSIの模倣に着目した。 我々は,不完全なMoCapデータを解釈することで,多様なHSIを再構築するフレームワークであるComplexMimicを提案する。
  論文  参考訳（メタデータ） (2026-07-02T11:01:20Z)
• Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
  本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。 Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
  論文  参考訳（メタデータ） (2026-06-13T20:55:46Z)
• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• Simple Models, Real Swimming: Digital Twins for Tendon-Driven Underwater Robots [8.744009526780692]
  本研究では,効率的な水中潜水環境をモデル化した腱駆動型魚型ロボットを提案する。 以上の結果から, シンプルでステートレスなモデルであっても, 柔らかい水中ロボットの効果的なデジタル双生児として機能することが示唆された。
  論文  参考訳（メタデータ） (2026-02-26T17:55:22Z)
• PhysHSI: Towards a Real-World Generalizable and Natural Humanoid-Scene Interaction System [67.2851799763138]
  PhysHSIはシミュレーショントレーニングパイプラインと現実世界のデプロイメントシステムで構成される。 シミュレーションでは,自然のヒューマノイドとシーンの相互作用データを模倣するために,逆運動に基づくポリシー学習を採用する。 実世界の展開には、LiDARとカメラ入力を組み合わせた粗粒度オブジェクトローカライズモジュールを導入する。
  論文  参考訳（メタデータ） (2025-10-13T07:11:37Z)
• Graph neural networks for learning liquid simulations in dynamic scenes containing kinematic objects [5.185131234265025]
  剛体相互作用下での液体の力学を学習するためのグラフニューラルネットワークに基づくフレームワークを提案する。 本モデルでは,動的条件下での流体挙動を正確に把握し,静的な自由落下環境におけるシミュレータとしても機能する。 そこで本研究では、勾配に基づく最適化手法を用いて、学習されたダイナミクスを利用して制御と操作のタスクを解くことができることを示す。
  論文  参考訳（メタデータ） (2025-09-03T16:13:52Z)
• 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)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• FluidLab: A Differentiable Environment for Benchmarking Complex Fluid Manipulation [80.63838153351804]
  複雑な流体力学を含む多種多様な操作タスクを備えたシミュレーション環境であるFluidLabを紹介する。 私たちのプラットフォームの中心には、GPU加速シミュレーションと勾配計算を提供する、完全に微分可能な物理シミュレータがあります。 微分可能物理学と組み合わせたいくつかのドメイン固有最適化スキームを提案する。
  論文  参考訳（メタデータ） (2023-03-04T07:24:22Z)
• Locomotion-Action-Manipulation: Synthesizing Human-Scene Interactions in Complex 3D Environments [11.87902527509297]
  複雑な屋内環境下での自然および可塑性な長期的人間の運動を合成するために,LAMA, Locomotion-Action-Manipulationを提案する。 従来の3Dシーンをスキャンして「ペア化」する手法とは異なり、人間のモーションキャプチャーデータを合成にのみ使用することにより、テスト時間最適化として問題を定式化する。
  論文  参考訳（メタデータ） (2023-01-09T18:59:16Z)

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。