論文の概要: ConTrack: Constrained Hand Motion Tracking with Adaptive Trade-off Control
- arxiv url: http://arxiv.org/abs/2606.03177v1
- Date: Tue, 02 Jun 2026 05:31:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.779056
- Title: ConTrack: Constrained Hand Motion Tracking with Adaptive Trade-off Control
- Title（参考訳）: ConTrack:適応的トレードオフ制御による手の動き追跡
- Abstract要約: 追跡データでスケールする強化学習フレームワークであるConTrackを紹介します。
ConTrackはオブジェクトのトラッキングを制約として扱い、残りのコントロール権限を動きの忠実さに割り当てる。
さらに、ConTrackは適応的な中軌道リセットライブラリで長期学習を安定化する。
- 参考スコア（独自算出の注目度）: 8.827966532956918
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human demonstrations provide strong priors for robot manipulation, yet it is non-trivial to transfer them to execute on real robots due to the kinematic gap. In dexterous manipulation, it remains challenging to track long-horizon, contact-rich sequences even in simulators: a reference-tracking policy must keep objects on their target trajectories while preserving demonstrated joint motion and contact timing. Existing approaches often rely on hand-crafted reward tuning that require per-sequence tuning and break under limited interaction budgets. We introduce ConTrack, a reinforcement learning (RL) framework that scales with tracking data. ConTrack treats object tracking as a constraint and allocates remaining control authority to motion fidelity, which allows it to adapt task--style trade-offs online using a dual-variable update. In addition, ConTrack also stabilizes long-horizon learning with an adaptive mid-trajectory reset library that reuses policy-reachable simulator states. Our qualitative and quantitative results in simulation tracking and real robot demonstrate that ConTrack improves success and object pose accuracy significantly over prior arts while preserving joint and contact fidelity. Website: https://www.lyt0112.com/projects/ConTrack.
- Abstract（参考訳）: 人間のデモはロボット操作に強い先駆けを与えるが、運動的ギャップのために実際のロボットで実行するためにロボットを移動させることは簡単ではない。
厳密な操作では、シミュレーターでも長い水平なコンタクトリッチなシーケンスを追跡することは依然として困難である: 参照追跡ポリシーは、関節の動きと接触タイミングを実証しながら、対象の軌道にオブジェクトを保持する必要がある。
既存のアプローチは、しばしば手作りの報酬チューニングに依存し、シーケンスごとのチューニングと、限られた相互作用予算の下でのブレークを必要とする。
ConTrackは、データ追跡でスケールする強化学習(RL)フレームワークである。
ConTrackはオブジェクトのトラッキングを制約として扱い、残りのコントロール権限を動作の忠実さに割り当てる。
さらにConTrackは、ポリシー到達可能なシミュレータ状態を再利用する適応的な中軌道リセットライブラリで、長期学習を安定化する。
シミュレーショントラッキングと実ロボットの質的,定量的な結果から,ConTrackは,関節と接触の忠実さを保ちながら,先行技術よりも精度が向上し,オブジェクトのポーズが著しく向上することが示された。
Webサイト: https://www.lyt0112.com/projects/ConTrack.com
関連論文リスト
- Robotic Servo Tracking of Moving Targets with Dynamic Imitation Constraints [5.415143520107641]
本稿では,擬似軌道制約に基づくサーボ追跡手法を提案する。
形状と振幅成分を組み込んだ時間スケーリング可能な変形機構と軌道変調を導入し、一連の軌道をリアルタイムで生成する。
提案手法は, 複雑な環境下でのいくつかの最先端手法と比較して, 動的障害物回避と高精度収束を実現することができる。
論文 参考訳（メタデータ） (2026-09-13T15:17:44Z) - GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking [71.9852231453445]
イベントカメラは低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。
既存のイベントベースの機能トラッキング手法は、イベントの蓄積を手作業で調整する、固定されたルールに依存している。
オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習フレームワークを導入する。
論文 参考訳（メタデータ） (2026-07-17T07:18:07Z) - Load-Aware Locomotion Control for Humanoid Robots in Industrial Transportation Tasks [19.55626538861657]
本稿では、疎結合で協調的なロコ操作アーキテクチャに基づく産業用ヒューマノイドの負荷対応ロコモーションフレームワークを提案する。
下半身移動は、運動学的に派生した名目構成に残留的な関節動作を生じる強化学習ポリシーを介して制御される。
このフレームワークは完全にシミュレーションで訓練され、微調整なしでフルサイズのヒューマノイドロボットにデプロイされる。
論文 参考訳（メタデータ） (2026-03-15T09:57:32Z) - OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。
実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。
実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
論文 参考訳（メタデータ） (2026-02-27T09:12:15Z) - Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds [20.44610499489492]
二足歩行ロボットは、制約された足場に移動する際にバランス、タイミング、接触決定を調整する必要がある。
本稿では,低次ステッピングプランナが動的に一貫した運動目標を供給できるロコモーションフレームワークを提案する。
この構造化されたステップ計画とデータ駆動型適応の組み合わせは、ヒューマノイドロボット上で正確で、アジャイルで、ハードウェアで検証されたステップストーンの移動を生み出す。
論文 参考訳（メタデータ） (2026-01-09T19:56:42Z) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - 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) - DexTrack: Towards Generalizable Neural Tracking Control for Dexterous Manipulation from Human References [18.947295547196774]
我々は,人間の参照からのデクスタス操作のための汎用型ニューラルトラッキングコントローラを開発する上での課題に対処する。
本稿では,ロボット追跡実験を大規模に成功させる手法を提案する。
本手法は,トップベースラインに比べて10%以上の成功率向上を実現している。
論文 参考訳（メタデータ） (2025-02-13T18:59:13Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - STT: Stateful Tracking with Transformers for Autonomous Driving [48.621552393062686]
三次元空間における物体の追跡は、自律走行に不可欠である。
運転中の安全性を確保するため、トラッカーはフレーム全体の物体を確実に追跡し、現在の速度や加速度などの状態を正確に推定する必要がある。
本研究では,トランスフォーマーで構築したステートフルトラッキングモデルであるSTTを提案する。
論文 参考訳（メタデータ） (2024-04-30T23:04:36Z) - TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。
低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。
インタラクティブで高品質なアニメーション生成には実用的である。
論文 参考訳（メタデータ） (2023-11-28T18:54:16Z)
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。