Fugu-MT 論文翻訳(概要): ADP: Adversarial Dynamics Priors for Physically Grounded Humanoid Locomotion

論文の概要: ADP: Adversarial Dynamics Priors for Physically Grounded Humanoid Locomotion

arxiv url: http://arxiv.org/abs/2607.03454v1
Date: Fri, 03 Jul 2026 16:12:43 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.62432
Title: ADP: Adversarial Dynamics Priors for Physically Grounded Humanoid Locomotion
Title（参考訳）: ADP: 物理的に座屈したヒューマノイドの運動に先立つ逆運動
Abstract要約: 摂動抵抗性ヒューマノイド移動制御のためのADP(Adversarial Dynamics Priors)を提案する。運動運動スタイルの特徴を,運動軌跡から抽出した動的特徴を対向正規化の対象とする運動運動スタイルの特徴に置き換える。 ADPは、平均回復時間と速度追跡誤差をそれぞれ47.9%と35.4%で削減し、80%のSuccessインパルス閾値(J_80$)を16.7%で改善することを示した。
参考スコア（独自算出の注目度）: 7.561096808603182
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose Adversarial Dynamics Priors (ADP) for perturbation-resilient humanoid locomotion control. Existing motion prior-based methods induce natural motion styles by imitating kinematic motion features, but they do not directly regularize dynamics features, such as CoM motion, centroidal momentum, contact forces, and contact states. To address this limitation, we replace kinematic motion-style feature with selected dynamics features extracted from locomotion trajectories as the target of adversarial regularization.To this end, we use trajectory optimization to construct a reference dataset and train a discriminator to evaluate whether policy-induced temporal windows are consistent with the resulting reference distribution.Without explicit motion tracking, ADP encourages policy rollouts to remain close to the reference support, even after perturbations. Experimental results show that, compared with AMP, the strongest baseline in our evaluation, ADP improves the $80\%$-success impulse threshold ($J_{80}$) by $16.7\%$, while reducing direction-averaged recovery time and velocity tracking error by $47.9\%$ and $35.4\%$, respectively.
Abstract（参考訳）: 本稿では,摂動抵抗性ヒューマノイド移動制御のためのADP(Adversarial Dynamics Priors)を提案する。既存の運動先行法は運動運動の特徴を模倣することによって自然運動スタイルを誘導するが、それらはCoM運動、遠心運動量、接触力、接触状態などの動的特徴を直接正規化しない。この制限に対処するため,我々は,運動軌跡から抽出した動的特徴を逆正則化の対象としてキネマティック・モーションスタイルの特徴に置き換える。この目的のために,軌道最適化を用いて基準データセットを構築し,政策による時間的窓が基準分布と一致しているかどうかを判別器に訓練する。明示的な動き追跡は行わないが,ADPは摂動後も,政策のロールアウトが基準支持に近づき続けることを推奨している。実験の結果,ADP は評価において最強の基準である AMP と比較して80 %$-success のインパルス閾値 (J_{80}$) を 16.7 %$ に改善し,それぞれ 4 .9 %$ と 3 .4 %$ をそれぞれ平均回復時間と速度追尾誤差を 4 .9 % に低減した。

関連論文リスト

Event-Based Motion Estimation via Oriented Distance Fields [55.23416502666468]
イベントベースの動き推定は、高時間分解能と高速動作に対する堅牢性を必要とするタスクの中心である。本稿では,この最適化を,事前計算された事象距離ベクトルの場上の1つの平均ステップに置き換える,オブジェクト指向距離場運動推定(ODF Motion Estimation)を提案する。公開および自己収集されたデータセットでは,ODFの動作推定は,比較手法の中で最低レイテンシでサブピクセル精度に達する。
論文参考訳（メタデータ） (2026-08-25T08:27:42Z)
GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking [71.9852231453445]
イベントカメラは低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。既存のイベントベースの機能トラッキング手法は、イベントの蓄積を手作業で調整する、固定されたルールに依存している。オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習フレームワークを導入する。
論文参考訳（メタデータ） (2026-07-17T07:18:07Z)
BFMTrack: Latent Sequence Optimization for Physics-Based Motion Tracking with Behavioral Foundation Models [7.959692704349906]
行動基礎モデル(BFM)は、物理的に妥当な行動の豊富なレパートリーを、大規模な運動データセットによってガイドされた潜在空間に整理する。これらのモデルは、ゴール取得や状態ベースの報酬最適化のような時間不変のタスクで優れているが、その潜在空間は、モーションシーケンスの追跡のような時間変化の目的を直接サポートしていない。本稿では,これらの欠点に対処する新しいLatent Sequence Optimization(LSO)を提案する。
論文参考訳（メタデータ） (2026-06-23T18:12:22Z)
Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation [59.420015367586615]
我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。 TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
論文参考訳（メタデータ） (2026-05-16T10:28:54Z)
RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
論文参考訳（メタデータ） (2026-03-18T17:02:56Z)
SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
論文参考訳（メタデータ） (2026-03-12T03:03:14Z)
Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization [6.47799404542057]
我々は,人体移動の新しいアプローチであるKinoDynamic Motion Retargeting (KDMR) フレームワークを提案する。本手法は,ヒトのような接触パターンを正確に再現するために,ヒールトイ接触イベントを自動的に検出する。実験の結果,KDMRはキネマティック法よりも有意に優れていた。
論文参考訳（メタデータ） (2026-03-10T17:51:17Z)
AM-SORT: Adaptable Motion Predictor with Historical Trajectory Embedding for Multi-Object Tracking [26.585985828583304]
我々は,非線形不確かさを推定するために適応性のある動き予測器AM-SORTを用いた動きに基づくMOT手法を提案する。 AM-SORTは、カルマンフィルタに取って代わるSORTシリーズトラッカーの新たな拡張である。
論文参考訳（メタデータ） (2024-01-25T05:09:30Z)
MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文参考訳（メタデータ） (2023-06-05T04:24:11Z)
Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
論文参考訳（メタデータ） (2022-09-27T16:23:14Z)
SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
論文参考訳（メタデータ） (2021-04-04T03:17:42Z)

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。