論文の概要: AnyBody: Free-Form Whole-Body Humanoid Control from Arbitrary Keypoint Guidance
- arxiv url: http://arxiv.org/abs/2606.29209v1
- Date: Sun, 28 Jun 2026 05:20:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.833087
- Title: AnyBody: Free-Form Whole-Body Humanoid Control from Arbitrary Keypoint Guidance
- Title（参考訳）: AnyBody:任意キーポイント誘導による自由形全体ヒューマノイド制御
- Abstract要約: 我々はAnyBodyを紹介した。AnyBodyは、選択されたボディキーポイントの任意のサブセットによって駆動される、統一された全身ヒューマノイドコントローラである。
本研究では,任意のキーポイントサブセットから大規模人間の動作を追跡すること,自由形式の制御,柔軟に遠隔操作すること,ロコモーション,インエアライティング,障害物リーチなどの下流行動の学習により,AnyBodyの有効性を実証する。
- 参考スコア（独自算出の注目度）: 24.737757643481313
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present AnyBody, a unified whole-body humanoid controller driven by an arbitrary subset of body keypoints chosen at deploy time. Prior physics-based trackers either rely on expensive full-body motion capture and error-prone trajectory retargeting, which bottleneck scalable data collection and policy learning, or decompose upper- and lower-body control into separate hierarchical representations, sacrificing the coordinated whole-body motions that loco-manipulation requires. We close this gap by learning a single latent motion representation that any keypoint subset can address. To achieve this, we first train a privileged teacher tracker on a large unstructured motion corpus and distill it online into a deterministic encoder-decoder student whose latent space is a unit sphere. We then train a transformer keypoint encoder that admits any subset of body keypoints through masked self-attention, aligning it to the privileged latent. Additionally, we treat the frozen decoder as a motor prior and specialize downstream tasks with a lightweight residual corrector in the latent space. We demonstrate the effectiveness of AnyBody by tracking large-scale human motions from arbitrary keypoint subsets, free-form control, flexibly teleoperating, and learning downstream behaviors including locomotion, in-air writing, and obstacle-reach.
- Abstract（参考訳）: 我々はAnyBodyを紹介した。AnyBodyは、デプロイ時に選択されたボディキーポイントの任意のサブセットによって駆動される、統一された全身ヒューマノイドコントローラである。
それまでの物理ベースのトラッカーは、スケーラブルなデータ収集とポリシー学習のボトルネックとなる、高価なフルボディモーションキャプチャとエラーを起こしやすい軌道再ターゲティングに依存していたり、上と下を階層的な表現に分解して、ロコ操作に必要な調整された全ボディモーションを犠牲にしたりしていた。
このギャップは、任意のキーポイント部分集合が対応できる単一の潜在モーション表現を学習することで埋める。
そこで,我々はまず,大規模非構造運動コーパス上の特権教師トラッカーを訓練し,その潜在空間が単位球面である決定論的エンコーダ・デコーダの学生にオンラインで蒸留する。
次に、トランスフォーマーキーポイントエンコーダをトレーニングし、マスクされた自己アテンションを通じてボディキーポイントのサブセットを承認し、特権付きラテントにアライメントします。
さらに, 凍結復号器をモータとして扱い, 潜時空間の軽量残差補正器を用いて下流タスクを専門化する。
本研究では,任意のキーポイントサブセットから大規模人間の動作を追跡すること,自由形式の制御,柔軟に遠隔操作すること,ロコモーション,インエアライティング,障害物リーチなどの下流行動の学習により,AnyBodyの有効性を実証する。
関連論文リスト
- CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。
このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。
シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
論文 参考訳（メタデータ） (2026-09-07T13:47:22Z) - PAKE: Learning Whole-Body Loco-Manipulation with Partial Kinematic Embeddings [9.606500800831322]
高精度なロコ操作のための新しい全身制御フレームワークを提案する。
大規模キネマティックデータセットに基づいてトレーニングした,新しいキネマティック正規化フローモデルを提案する。
6自由度ロボットアームを備えた四足歩行ロボットへのアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-13T03:12:09Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - 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) - Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。
Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文 参考訳（メタデータ） (2025-09-11T17:59:07Z) - 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) - MaskedManipulator: Versatile Whole-Body Manipulation [38.02818493367002]
本研究では,大規模な人体モーションキャプチャーデータに基づいて学習したトラッキングコントローラから生成制御ポリシーであるMaskedManipulatorを紹介する。
この2段階の学習プロセスにより、システムは複雑なインタラクション動作を実行でき、キャラクタとオブジェクトの両方の動作を直感的に制御できる。
論文 参考訳（メタデータ） (2025-05-25T10:46:14Z) - ExBody2: Advanced Expressive Humanoid Whole-Body Control [16.69009772546575]
人間のモーションキャプチャーとシミュレーションデータの両方に基づいてトレーニングされた全身トラッキングコントローラの製作法を提案する。
我々は,ロボットのキネマティクスに適合する中間データを生成するために,教師の方針を利用する。
少量のデータによる微調整により追跡性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-12-17T18:59:51Z) - Agile and versatile bipedal robot tracking control through reinforcement learning [12.831810518025309]
本稿では,二足歩行ロボットのための多目的コントローラを提案する。
足首と身体の軌跡を、単一の小さなニューラルネットワークを用いて広範囲の歩行で追跡する。
最小限の制御ユニットと高レベルなポリシーを組み合わせることで、高いフレキシブルな歩行制御を実現することができる。
論文 参考訳（メタデータ） (2024-04-12T05:25:03Z) - 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) - 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)
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。