Fugu-MT 論文翻訳(概要): Human-as-Humanoid: Enabling Zero-Shot Humanoid Learning from Ego-Exo Human Videos with Human-Aligned Embodiments

論文の概要: Human-as-Humanoid: Enabling Zero-Shot Humanoid Learning from Ego-Exo Human Videos with Human-Aligned Embodiments

arxiv url: http://arxiv.org/abs/2606.32009v1
Date: Tue, 30 Jun 2026 17:44:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-01 18:27:19.331964
Title: Human-as-Humanoid: Enabling Zero-Shot Humanoid Learning from Ego-Exo Human Videos with Human-Aligned Embodiments
Title（参考訳）: ヒューマン・アズ・ヒューマノイド:人間に適応した身体を持つエゴエクソビデオからのゼロショット・ヒューマノイド学習の実現
Abstract要約: ヒト・アス・ヒューマノイド(Humanoid as-Humanoid)は、ヒトからヒトへのハイDoFヒューマノイドの監視フレームワークである。大規模な人間のデモンストレーションを、対象のヒューマノイドに対する実行可能な観察-アクション監視に変換する。 Humanoidは、データ収集分析において、ヒューマノイド遠隔操作よりも4.8--7.2倍の生のデモンストレーション言語ゲインが得られる。
参考スコア（独自算出の注目度）: 32.61025334275917
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Vision-language-action (VLA) models across robot embodiments require high-quality observation--action supervision to learn deployable action distributions, yet scaling such robot data remains difficult, especially for high-DoF humanoids. Teleoperation provides controller-aligned supervision, while human egocentric videos capture diverse bimanual manipulation but do not directly provide executable robot actions. We introduce Human-as-Humanoid, a human-to-humanoid supervision framework that enables near-real-time human-centric action generation, making human demonstrations usable for high-DoF humanoid VLA training by jointly aligning the robot embodiment, the sensing setup, and the action-label interface. Built on PrimeU, a human-aligned 60-DoF upper-body humanoid, Human-as-Humanoid uses synchronized ego-exo videos to pair deployment-aligned egocentric observations with exocentric motion recovery, retargets the recovered human motion through staged Inverse Kinematics (IK) into controller-aligned 60-DoF action chunks, and trains the VLA model with Forward Kinematics (FK)-aware supervision to preserve wrist and fingertip task-space geometry. This converts large-scale human demonstrations from visual observations into executable observation--action supervision for the target humanoid. Experiments validate the conversion chain at the motion-recovery, robot-action-space, and real-robot deployment levels. Human-as-Humanoid yields a 4.8--7.2x raw demonstration-throughput gain over humanoid teleoperation in our data-collection analysis, and on several downstream tasks, policies post-trained only with the converted human labels generalize to real-robot deployment without target-task robot demonstrations. The official project website is available at https://zgc-embodyai.github.io/Human-as-Humanoid.
Abstract（参考訳）: ロボットを用いた視覚言語行動(VLA)モデルは、デプロイ可能な動作分布を学習するために高品質な観察行動監視を必要とするが、特にハイDoFヒューマノイドでは、そのようなデータをスケールすることは困難である。遠隔操作はコントローラーに合わせた監視を提供するが、人間中心のビデオは多様なバイマニュアル操作をキャプチャするが、直接実行可能なロボットアクションは提供しない。本稿では,人間-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-人-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物-物ヒューマンアラインの60-DoF上半身ヒューマノイドであるHumanoid(Human-as-Humanoid)は、ヒトアラインの60-DoF上半身ヒューマノイドである。Human-as-Humanoid(Human-as-Humanoid)は、デプロイアラインのエゴセントリックな観察と、エゴセントリックな運動回復との組み合わせ、ステージ化されたInverse Kinematics(IK)による復元された人間の動きを、制御された60-DoFアクションチャンクに再ターゲティングし、手首と指先タスク空間の幾何学を保存するために、VLAモデルをフォワード・キネマティクス(FK)で訓練する。これは、大規模な人間のデモンストレーションを視覚的な観察から、対象のヒューマノイドに対する実行可能な観察-アクション監視に変換する。実験では、動きの回復、ロボットのアクションスペース、実際のロボットの展開レベルで変換チェーンを検証する。ヒューマン・アズ・ヒューマノイドは,データ収集解析におけるヒューマノイド遠隔操作よりも4.8～7.2倍の生のデモ・スループ・ゲインを得られる。公式プロジェクトのWebサイトはhttps://zgc-embodyai.github.io/Human-as-Humanoidで公開されている。

関連論文リスト

HumanoidUMI: Bridging Robot-Free Demonstrations and Humanoid Whole-Body Manipulation [6.733928872257592]
我々はHumanoidUMIを提案する。HumanoidはHumanoid全体データ収集のためのポータブルかつロボットフリーなフレームワークである。軽量なVRデバイスとUMIにインスパイアされたグリッパーを使用して、スパースな人間のキーポイント軌跡、手首視観察、グリッパーアクションを収集します。 5つの実世界のシナリオで実験を行い、提案したフレームワークの有効性を実証した。
論文参考訳（メタデータ） (2026-06-25T16:23:56Z)
ACE-Ego-0: Unifying Egocentric Human and Robotic Data for VLA Pretraining [40.678451625177026]
VLA(Vision-Language-Action)モデルは、大規模で多様な実施データから恩恵を受けるが、ロボットの軌道収集は費用がかかり、労力がかかる。近年の進歩は、大規模な自我中心の人間ビデオが、事前訓練において補完的な現実世界の監督を提供することを示している。異種データソースを併用した統合VLA事前学習フレームワークであるACE-EGO-0を紹介する。
論文参考訳（メタデータ） (2026-06-15T18:40:18Z)
HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos [58.9564236347451]
HumanEgoは、人間とロボットのエンボディメントギャップを橋渡しするフレームワークである。それは、人間のデモを、手動オブジェクトの相互作用の実体レベルの表現へと持ち上げる。 HumanEgoは、ロボットのデータフリー、ハードウェア非依存、データ効率、ゼロショットの人間とロボットの転送を可能にする。
論文参考訳（メタデータ） (2026-05-24T08:26:41Z)
ZeroWBC: Learning Natural Visuomotor Humanoid Control Directly from Human Egocentric Video [52.78703020909145]
我々は、人間中心のビデオから直接、自然なヒューマノイドビジュモータ制御ポリシーを学ぶ新しいフレームワークであるZeroWBCを紹介した。提案手法はまず視覚言語モデル(VLM)を微調整し,テキスト命令とエゴセントリックな視覚コンテキストに基づく将来の身体全体の動作を予測する。ユニツリーG1ヒューマノイドロボットの実験では,動作の自然性と汎用性において,本手法がベースラインアプローチより優れていることが示された。
論文参考訳（メタデータ） (2026-03-10T04:19:43Z)
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)
FRoM-W1: Towards General Humanoid Whole-Body Control with Language Instructions [147.04372611893032]
FRoM-W1は、自然言語を用いた一般的なヒューマノイド全体の動作制御を実現するために設計されたオープンソースのフレームワークである。我々はUnitree H1とG1ロボット上でFRoM-W1を広範囲に評価した。その結果,HumanML3D-Xベンチマークにおいて,人体全体の動作生成に優れた性能を示した。
論文参考訳（メタデータ） (2026-01-19T07:59:32Z)
MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
論文参考訳（メタデータ） (2025-12-17T12:59:41Z)
EgoVLA: Learning Vision-Language-Action Models from Egocentric Human Videos [49.820119587446655]
本稿では,エゴセントリックな人間ビデオを用いたVLA(Vision-Language-Action)モデルのトレーニングについて検討する。人間の手首と手の動きを予測する人間のビデオに基づいて訓練されたVLAによって、私たちはInverse Kinematicsを実行し、人間のアクションをロボットアクションに変換することができる。シミュレーションベンチマークであるEgo Humanoid Manipulation Benchmarkを提案する。
論文参考訳（メタデータ） (2025-07-16T17:27:44Z)
Learning from Massive Human Videos for Universal Humanoid Pose Control [46.417054298537195]
本稿では,2000万以上のヒューマノイドロボットの大規模データセットであるHumanoid-Xを紹介する。我々は、テキスト命令を入力として受け取り、対応する動作を出力してヒューマノイドロボットを制御する、大きなヒューマノイドモデルUH-1を訓練する。私たちのスケーラブルなトレーニングアプローチは、テキストベースのヒューマノイド制御の優れた一般化につながります。
論文参考訳（メタデータ） (2024-12-18T18:59:56Z)

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。