論文の概要: Training-free Controllable Human Motion Generation under Heterogeneous Constraints

• arxiv url: http://arxiv.org/abs/2607.01990v1
• Date: Thu, 02 Jul 2026 10:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.788577
• Title: Training-free Controllable Human Motion Generation under Heterogeneous Constraints
• Title（参考訳）: 不均質制約下でのトレーニング不要な人体運動生成
• Authors: Xiaofei Hui, Bo Yan, Haoxuan Qu, Hossein Rahmani, Jun Liu,
• Abstract要約: 本研究では,連続的な目標ベースと基準ベースの両方の動作制約を共有メカニズムの下で処理する,最初のトレーニング不要なモーション生成フレームワークであるMotion-Inference-as-Control(MIC)を提案する。 さまざまな制約設定による実験は、我々のフレームワークの有効性を示しています。
• 参考スコア（独自算出の注目度）: 26.6774966217975
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training-free controllable motion generation has attracted growing interest for enabling flexible constraint enforcement without constraint-specific training. However, existing training-free methods require constraints to be continuous objective-based with differentiable losses, while many real-world requirements are criterion-based and provide only discontinuous, sparse, or even black-box feedback. In this paper, we propose Motion-Inference-as-Control (MIC), the first training-free motion generation framework that handles both continuous objective-based and criterion-based motion constraints under a shared mechanism. The key idea is to cast diffusion-based motion generation as a stochastic control problem. This perspective not only provides principled and practically effective step-wise control laws that support criterion-based constraints without requiring differentiability and naturally accommodate objective-based constraints as a special case, but also motivates a control-oriented constraint coordination mechanism that adaptively balances and reconciles motion constraints during generation. Experiments across diverse constraint settings demonstrate the effectiveness of our framework.
• Abstract（参考訳）: トレーニング不要な制御可能なモーション生成は、制約固有のトレーニングを使わずに柔軟な制約執行を可能にすることへの関心が高まっている。 しかし、既存のトレーニングフリーな方法は、異なる損失を伴う連続的な客観的な制約を必要とするが、現実の多くの要件は基準ベースであり、不連続、スパース、ブラックボックスフィードバックのみを提供する。 本稿では,連続的な目標ベースと基準ベースの両方の動作制約を共有メカニズムの下で処理する,最初のトレーニング不要なモーション生成フレームワークであるMotion-Inference-as-Control(MIC)を提案する。 鍵となる考え方は、確率的制御問題として拡散に基づく運動生成をキャストすることである。 この観点は、差別性を必要とせず、客観的な制約を特別のケースとして自然に受け入れることなく、基準に基づく制約をサポートする原則的かつ実用的な段階的制御法を提供するだけでなく、世代間の運動制約を適応的にバランスし、調整する制御指向の制約調整機構を動機付けている。 さまざまな制約設定による実験は、我々のフレームワークの有効性を示します。

関連論文リスト

• HardNet++: Nonlinear Constraint Enforcement in Neural Networks [3.2740680236631636]
  HardNet++は、線形および非線形平等と不等式制約を同時に満たす制約強化手法である。 一定の規則性条件下では、任意の寛容に対する非線形制約満足度を強制できることを示す。
  論文  参考訳（メタデータ） (2026-04-21T16:49:37Z)
• Adaptive Neighborhood-Constrained Q Learning for Offline Reinforcement Learning [52.03884701766989]
  オフライン強化学習(RL)アルゴリズムは、通常、アクション選択に制約を課す。 本稿では,Bellmanターゲットにおける行動選択を,データセットアクションの近傍の結合に制限する新しい地区制約を提案する。 我々は,この制約を満たす目標動作を用いてQ学習を行うための,単純で効果的なアルゴリズムであるAdaptive Neighborhood-Constrained Q Learning(ANQ)を開発した。
  論文  参考訳（メタデータ） (2025-11-04T13:42:05Z)
• Steerable Adversarial Scenario Generation through Test-Time Preference Alignment [58.37104890690234]
  対立シナリオ生成は、自律運転システムの安全性評価のためのコスト効率の良いアプローチである。 textbfSteerable textbfAdversarial scenario textbfGEnerator (SAGE) という新しいフレームワークを導入する。 SAGEは、逆境とリアリズムの間のトレードオフを、再トレーニングなしできめ細かいテストタイムコントロールを可能にします。
  論文  参考訳（メタデータ） (2025-09-24T13:27:35Z)
• UniConFlow: A Unified Constrained Generalization Framework for Certified Motion Planning with Flow Matching Models [16.275286046169594]
  生成モデルはロボットモーション生成の強力なツールとなり、様々なタスクで柔軟で多モーダルな軌道生成を可能にしている。 本論文では,同一性制約と不等式制約の両方を体系的に組み込んだトラジェクトリ生成のための統一フローマッチングフレームワークUniConFlowを提案する。 我々は移動ナビゲーションと高次元操作タスクを行い、最先端の制約付き生成プランナと比較して安全性と実現可能性の向上を図っている。
  論文  参考訳（メタデータ） (2025-06-03T14:48:04Z)
• Constrained Online Decision-Making: A Unified Framework [14.465944215100746]
  本稿では,段階的実現可能性制約による逐次意思決定の一般的な定式化について検討する。 本稿では,既存の制約付き学習問題を抽出する統一的なアルゴリズムフレームワークを提案する。 この結果は、理論と実践の両方において、制約付きシーケンシャルな意思決定のための原則化された基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-11T19:22:04Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Resilient Constrained Reinforcement Learning [87.4374430686956]
  本稿では,複数の制約仕様を事前に特定しない制約付き強化学習(RL)のクラスについて検討する。 報酬訓練目標と制約満足度との間に不明確なトレードオフがあるため、適切な制約仕様を特定することは困難である。 我々は、ポリシーと制約仕様を一緒に検索する新しい制約付きRLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-28T18:28:23Z)
• Differentiable Constrained Imitation Learning for Robot Motion Planning and Control [0.26999000177990923]
  我々は,交通エージェントのシミュレーションだけでなく,ロボットの動作計画と制御を制約するフレームワークを開発した。 モバイルロボットと自動運転アプリケーションに焦点をあてる。 移動ロボットナビゲーションと自動走行のシミュレーション実験は,提案手法の性能を示す証拠となる。
  論文  参考訳（メタデータ） (2022-10-21T08:19:45Z)

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。