論文の概要: TaskNPoint: How to Teach Your Humanoid to Hit a Backhand in Minutes
- arxiv url: http://arxiv.org/abs/2606.26215v1
- Date: Wed, 24 Jun 2026 17:56:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.033078
- Title: TaskNPoint: How to Teach Your Humanoid to Hit a Backhand in Minutes
- Title（参考訳）: TaskNPoint:人型ロボットのバックハンドを数分で教える方法
- Abstract要約: これは、ヒューマノイドロボットにダイナミックスキルを教えるための正しいレシピでもある、と我々は主張する。
TaskNPointは、コーチ・ラーナーの労働部門を明示するトレーニングプロトコルである。
このアプローチは、人間によって投げられたボールに対して前手と後ろ手を打ち、入ってくるサッカーボールを蹴り、新しい場所から箱を拾い、配置するUnitree G1ヒューマノイド上でテストする。
- 参考スコア（独自算出の注目度）: 27.77701100232245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: How do we learn to hit a tennis backhand? Not from a thousand hours of tennis tournaments on TV - we work with a coach and practice. We argue this is also the right recipe for teaching dynamic skills to humanoid robots. This follows from a structural property of dynamic skills: the outcome is decided by a short, crucial portion of the trajectory - for a backhand, the ~20cm of racket travel around ball contact. Getting this interaction window right requires coordinating the whole motion, so that control, physics, and morphology act in concert. Learning thus reduces to mastering a handful of distinct actions and, for each, practicing until the window comes out right. To this end, we introduce TaskNPoint, a training protocol which makes the coach-learner division of labor explicit. The human coach contributes four inputs: a discrete set of skills (e.g. different shots), one demonstration per skill, identification of the interaction window, and the goal. Learning in a physically realistic simulation environment fills in each action trajectory and provides robustness to unmodeled events. Crucially, randomized target sampling during training lets a single demonstration generalize zero-shot to unseen goal locations. We test this approach on a Unitree G1 humanoid that hits forehands and backhands against balls thrown by a human, kicks incoming soccer balls, and picks and places boxes from novel locations. We find that learning is successful from short human video demonstrations and under an hour of training on a single GPU, with no per-task reward tuning.
- Abstract（参考訳）: テニスのバックハンドを打つ方法を学べますか。
テレビで何千時間ものテニストーナメントからではなく、私たちはコーチと練習で仕事をしています。
これは、ヒューマノイドロボットにダイナミックスキルを教えるための正しいレシピでもある、と我々は主張する。
結果は軌跡の短く重要な部分によって決定される - バックハンドの場合、ラケットの約20cmはボール接触周辺を走行する。
この相互作用窓を右に動かすには、運動全体を調整する必要があるため、制御、物理、形態学が協調して働く。
これにより、学習は、いくつかの異なるアクションをマスターすることが少なくなり、それぞれが、ウィンドウが正しく出てくるまで実践する。
この目的のために,トレーニングプロトコルであるTaskNPointを導入する。
人間のコーチは4つのインプットに貢献する: 個別のスキルセット(例えば、異なるショット)、スキルごとに1つのデモ、インタラクションウィンドウの識別、そしてゴール。
物理的に現実的なシミュレーション環境での学習は、各行動軌跡を埋め、未モデル化のイベントに対して堅牢性を提供する。
重要なことは、トレーニング中のランダムなターゲットサンプリングによって、ゼロショットを未確認のゴールロケーションに一般化することができる。
このアプローチは、人間によって投げられたボールに対して前手と後ろ手を打ち、入ってくるサッカーボールを蹴り、新しい場所から箱を拾い、配置するUnitree G1ヒューマノイド上でテストする。
学習は、短い人間のビデオデモから成功し、1つのGPUで1時間以下でトレーニングされ、タスク毎の報酬チューニングは行われません。
関連論文リスト
- Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data [36.20520265640828]
LATENTは、不完全なヒトモチオN daTaからAthletic humanoid TEnnisスキルを学ぶシステムである。
提案手法は,実世界において驚くべき結果が得られ,人間プレイヤーとのマルチショットラリーを安定的に維持することができる。
論文 参考訳（メタデータ） (2026-03-13T06:02:30Z) - H2R-Grounder: A Paired-Data-Free Paradigm for Translating Human Interaction Videos into Physically Grounded Robot Videos [58.006918399913665]
本稿では,通常の人間と物体のインタラクションビデオからモーション一貫性のあるロボット操作ビデオに変換するビデオ間翻訳フレームワークを提案する。
私たちのアプローチでは、ロボットビデオのセットのみをトレーニングするために、ペアの人間ロボットビデオは必要とせず、システムを拡張しやすくしています。
テスト時にも同じプロセスを人間のビデオに適用し、人間の行動を模倣する高品質なロボットビデオを生成する。
論文 参考訳（メタデータ） (2025-12-10T07:59:45Z) - Composing Diffusion Policies for Few-shot Learning of Movement Trajectories [1.2576113481317526]
人間は、毎回スクラッチからスキルを引き出すことなく、様々な物理的なスキルの組み合わせを実行することができる。
本稿では,DSEと呼ばれる新しい合成手法を提案する。
我々は,前向きキネマティクスカーネル(MMD-FK)における最大平均差を30%以上削減できることを示す。
論文 参考訳（メタデータ） (2024-10-22T23:57:37Z) - ScrewMimic: Bimanual Imitation from Human Videos with Screw Space Projection [12.630451735872144]
人間は、他の人間を観察し、遊びを通して能力を改善することで、バイマニュアル操作のスキルを学ぶ。
心理学とバイオメカニクスの独創的な研究から着想を得て,両手間の相互作用を連続的なキネマティック・リンケージとしてモデル化することを提案する。
我々は、この新しい行動表現を活用するフレームワークであるScrewMimicを導入し、人間の実演と自己指導型政策微調整の学習を容易にする。
論文 参考訳（メタデータ） (2024-05-06T17:43:34Z) - Learning Agile Soccer Skills for a Bipedal Robot with Deep Reinforcement Learning [26.13655448415553]
Deep Reinforcement Learning (Deep RL)は、低コストでミニチュアなヒューマノイドロボットのための洗練された安全な運動スキルを合成することができる。
我々はDeep RLを使って、20個の関節を持つヒューマノイドロボットを訓練し、1対1(1v1)のサッカーゲームを単純化した。
結果として得られるエージェントは、急激な転倒回復、歩行、回転、蹴りなど、堅牢でダイナミックな動きのスキルを示す。
論文 参考訳（メタデータ） (2023-04-26T16:25:54Z) - Zero-Shot Robot Manipulation from Passive Human Videos [59.193076151832145]
我々は,人間の映像からエージェント非依存の行動表現を抽出するフレームワークを開発した。
我々の枠組みは、人間の手の動きを予測することに基づいている。
トレーニングされたモデルゼロショットを物理ロボット操作タスクにデプロイする。
論文 参考訳（メタデータ） (2023-02-03T21:39:52Z) - Cross-Domain Transfer via Semantic Skill Imitation [49.83150463391275]
本稿では、例えば人間ビデオなどのソースドメインからのデモンストレーションを利用して、強化学習(RL)を高速化する意味模倣手法を提案する。
関節速度のような低レベルな動作を模倣する代わりに、我々のアプローチは「電子レンジを開く」や「ストーブを回す」といった、実証された意味的なスキルのシーケンスを模倣する。
論文 参考訳（メタデータ） (2022-12-14T18:46:14Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳（メタデータ） (2022-11-16T16:26:48Z) - Human-to-Robot Imitation in the Wild [50.49660984318492]
本研究では,第三者の視点からの学習を中心に,効率的なワンショットロボット学習アルゴリズムを提案する。
実世界における20種類の操作タスクを含む,ワンショットの一般化と成功を示す。
論文 参考訳（メタデータ） (2022-07-19T17:59:59Z) - Bottom-Up Skill Discovery from Unsegmented Demonstrations for
Long-Horizon Robot Manipulation [55.31301153979621]
我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。
未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。
提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-28T16:18:54Z) - Benchmarking End-to-End Behavioural Cloning on Video Games [5.863352129133669]
我々は,2010年以降の6ゲームを含む12のビデオゲームにおける行動クローンの一般適用性について検討した。
以上の結果から,これらのエージェントは生演奏では人間と一致しないが,基本力学やルールを学習できることがわかった。
また、データの質や、人間からのデータの記録が、人間の反射によって、状態-作用ミスマッチの対象になっていることを実証する。
論文 参考訳（メタデータ） (2020-04-02T13:31:51Z)
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。