論文の概要: MotionDisco: Motion Discovery for Extreme Humanoid Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2606.06139v1
- Date: Thu, 04 Jun 2026 13:19:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.808305
- Title: MotionDisco: Motion Discovery for Extreme Humanoid Loco-Manipulation
- Title（参考訳）: MotionDisco:超人型ロボマニピュレーションのためのモーションディスカバリ
- Authors: Ilyass Taouil, Michal Ciebelski, Shafeef Omar, Haizhou Zhao, Angela Dai, Aaron M. Johnson, Majid Khadiv,
- Abstract要約: MotionDiscoは、接触に富んだ長いヒューマノイドのロコ操作運動をスクラッチから発見するフレームワークである。
これは、自動進化探索によって、長い水平のヒューマノイドのロボ操作スキルを発見し、展開する最初の試みである。
- 参考スコア（独自算出の注目度）: 34.100895227206486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present MotionDisco, a framework that discovers contact-rich, long-horizon humanoid loco-manipulation motions from scratch, without relying on teleoperation or motion retargeting from human demonstrations. This is challenging because the space of possible contact interactions grows combinatorially with the task horizon and the number of objects in the scene. MotionDisco enables rapid discovery of novel motions by coupling a large language model (LLM) guided evolutionary search over sequences of interactions with an efficient sequential kinodynamic trajectory optimizer and pruning strategy, enabling the rapid discovery of novel skills. Through extensive ablation studies, we show that our LLM-guided search discovers successful whole-body trajectories across several challenging long-horizon tasks. Finally, by training reinforcement learning tracking policies on the discovered trajectories, we transfer the motions to a real humanoid robot. This is the first work to discover and deploy long-horizon humanoid loco-manipulation skills entirely through automated evolutionary search. Supplementary videos of the experiments are available at: https://youtu.be/DHiVz34QYlw.
- Abstract（参考訳）: 遠隔操作や人体実験からのモーションリターゲティングに頼ることなく、接触に富む長軸のヒューマノイドロコ操作運動をスクラッチから検出するフレームワークであるMotionDiscoを提案する。
接触する可能性がある空間は、タスクの水平線とシーン内のオブジェクトの数と組み合わせて成長するので、これは難しい。
MotionDiscoは,大規模言語モデル (LLM) を誘導する進化的探索を,効率的な逐次的キノダイナミック軌道最適化器とプルーニング戦略と組み合わせることで,新しい動きの迅速な発見を可能にし,新しいスキルの迅速な発見を可能にする。
広範囲にわたるアブレーション研究により,LLM誘導探索により,難易度の高い長期作業における全身軌跡の発見が可能となった。
最後に、検出された軌道上の強化学習追跡ポリシーを訓練することにより、実際のヒューマノイドロボットに動作を伝達する。
これは、自動進化探索によって、長い水平のヒューマノイドのロボ操作スキルを発見し、展開する最初の試みである。
実験の補足ビデオは、https://youtu.be/DHiVz34QYlw.comで公開されている。
関連論文リスト
- Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。
本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。
我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
論文 参考訳（メタデータ） (2026-02-17T18:59:11Z) - 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) - CLOT: Closed-Loop Global Motion Tracking for Whole-Body Humanoid Teleoperation [54.7399209456857]
閉ループグローバルモーショントラッキングを実現する,リアルタイムな人型遠隔操作システムCLOTを提案する。
CLOTはオペレータとロボットのポーズをクローズドループで同期させ、長時間のタイムホライズン上でドリフトフリーな人間-人間-ヒューマノイドの模倣を可能にする。
本研究では,報奨評価から観測軌道を分離し,スムーズで安定した大域的補正を可能にするデータ駆動ランダム化手法を提案する。
論文 参考訳（メタデータ） (2026-02-13T12:03:13Z) - Motion Generation Review: Exploring Deep Learning for Lifelike Animation with Manifold [4.853986914715961]
人間のモーション生成は、ゲーム、バーチャルリアリティ、人間とコンピュータの相互作用で広く使われている人間の身体のポーズの自然なシーケンスを作成することを含む。
これまでの研究は、動き、音楽、テキスト、シーンの背景といった信号に基づいて、モーション生成に重点を置いてきた。
マンデラ学習は、データ次元を減らし、効果的な動きのサブスペースをキャプチャすることで解決策を提供する。
論文 参考訳（メタデータ） (2024-12-12T08:27:15Z) - Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。
まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。
次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
論文 参考訳（メタデータ） (2023-10-06T20:48:43Z) - 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。