論文の概要: Human2Humanoid: Physics-Aware Cross-Morphology Motion Retargeting for Humanoid Robots

• arxiv url: http://arxiv.org/abs/2606.03476v1
• Date: Tue, 02 Jun 2026 10:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.949944
• Title: Human2Humanoid: Physics-Aware Cross-Morphology Motion Retargeting for Humanoid Robots
• Title（参考訳）: Human2Humanoid:ヒューマノイドロボットのための物理を意識したクロスモルフォロジーモーションリターゲティング
• Authors: Tianchen Huang, Feiyang Yuan, Junchi Gu, Shurui Fang, Xiaohu Zhang, Yu Wang, Wei Gao, Shiwu Zhang,
• Abstract要約: 人間の動きをヒューマノイドロボットに再ターゲティングすることは、遠隔操作、模倣学習、人間とロボットの相互作用にとって重要である。 本稿では,人間の動作を高忠実度なヒューマノイドロボットに伝達する,教師なし動作フレームワークであるHuman2Humanを提案する。 実験の結果, 提案手法は, ペアデータを持たないユニトリーG1ヒューマノイドロボットに対して, 人間の動きを的確に再現することに成功した。
• 参考スコア（独自算出の注目度）: 9.096721498763717
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Retargeting human motion to humanoid robots is critical for teleoperation, imitation learning and human-robot interaction. However, it remains challenging because of substantial morphological discrepancies between humans and robots, including differences in skeletal topology, limb proportions and degrees of freedom, as well as the scarcity of paired motion data. This paper presents Human2Humanoid, an unsupervised motion retargeting framework that transfers human motions to humanoid robot behaviors with high fidelity. To bridge the domain gap under unpaired data, we adopt a CycleGAN-based architecture equipped with a skeleton-aware graph convolutional network to capture topology-dependent motion features. To address cross-domain scale mismatches, we introduce a morphology-invariant end-effector consistency loss that aligns normalized end-effector trajectories to preserve motion semantics across embodiments. To improve physical plausibility and reduce contact artifacts, we impose explicit physics-aware feasibility constraints to encourage reproduction of the contact patterns in the source motion. Experimental results show that the proposed method successfully retargets human motion to the Unitree G1 humanoid robot without paired data, and outperforms existing methods in both downstream controllability and physical feasibility.
• Abstract（参考訳）: 人間の動きをヒューマノイドロボットに再ターゲティングすることは、遠隔操作、模倣学習、人間とロボットの相互作用にとって重要である。 しかし、骨格のトポロジ、手足の比率、自由度の違い、そしてペアの動きデータの不足など、人間とロボットの間にはかなりの相違があるため、これは依然として困難である。 本稿では,ヒト2ヒューマノイド(Humanoid)について述べる。ヒト2ヒューマノイド(Humanoid)は,人間の動きを高忠実なヒューマノイドロボットの動作に伝達する,教師なしモーションリターゲティングフレームワークである。 未ペアデータの下での領域ギャップを埋めるために、スケルトン対応グラフ畳み込みネットワークを備えたCycleGANベースのアーキテクチャを採用し、トポロジに依存した動きの特徴を捉える。 クロスドメインスケールのミスマッチに対処するために、形態素不変のエンドエフェクタ整合性損失を導入し、正規化されたエンドエフェクタトラジェクトリを整列させて、エンボディメント間の動作セマンティクスを保存する。 物理的妥当性の向上と接触アーティファクトの低減を目的として,原動における接触パターンの再現を促進するために,明示的な物理認識可能性制約を課した。 実験の結果, 提案手法は, ペアデータを持たないユニトリーG1ヒューマノイドロボットに人体の動きを的確に再現し, 下流制御性と身体的実現性の両方において既存手法より優れていることがわかった。

関連論文リスト

• Biomechanical Comparisons Reveal Divergence of Human and Humanoid Gaits [22.633858975178054]
  生物学的構造と機械構造の間には根本的な相違があるため、脚のあるロボットで人間のような移動を実現することは依然として困難である。 本研究では,人間と二足歩行ロボットの運動的・運動的相違を定量化する歩行多様性分析フレームワーク(GDAF)を提案する。 我々は、最先端のヒューマノイドコントローラから高速連続型ヒューマノイド移動データセットをリリースする。
  論文  参考訳（メタデータ） (2026-02-25T07:59:16Z)
• 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)
• EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
  EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。 スケーラブルな人的データ収集のためのポータブルシステムを開発した。
  論文  参考訳（メタデータ） (2026-02-10T18:59:03Z)
• 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)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space [9.806227900768926]
  本稿では,ロボットの動きに対する新しいディープラーニング手法を提案する。 本手法では,新しいロボットへの翻訳を容易にする,人間とロボットのペアデータを必要としない。 我々のモデルは、効率と精度の観点から、人間とロボットの類似性に関する既存の研究よりも優れています。
  論文  参考訳（メタデータ） (2023-09-11T08:55:04Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)

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。