論文の概要: What Matters in Humanoid General Motion Tracking? An Empirical Study

• arxiv url: http://arxiv.org/abs/2607.19903v1
• Date: Wed, 22 Jul 2026 08:37:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.03091
• Title: What Matters in Humanoid General Motion Tracking? An Empirical Study
• Title（参考訳）: ヒューマノイド・ジェネラルモーショントラッキングの諸問題 : 実証的研究
• Authors: Fabio Amadio, Enrico Mingo Hoffman,
• Abstract要約: YAHMPは、Unitree G1上で全体モーショントラッキングポリシーをトレーニング、評価、デプロイするためのオープンソースのフレームワークである。 そこで我々は,再ターゲットされた人間の動作の試験セットに対する結果のポリシーを評価し,同じ動作セットでトレーニングされた外部ベースラインとして,TWIST2と名目上のポリシーを比較した。
• 参考スコア（独自算出の注目度）: 2.728639503114606
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid general motion tracking requires policies that can follow diverse whole-body references while maintaining balance. Building such policies involves many practical design choices, and their individual effects are often hard to assess. We address this issue with an empirical study of common modeling and training factors used in recent humanoid motion-imitation pipelines. To make the study controlled and reproducible, we developed YAHMP, an open-source modular framework for training, evaluating, and deploying whole-body motion tracking policies on the Unitree G1. Within YAHMP, we define a nominal configuration and compare variants that differ in motion-command representation, observation history, action representation, actuation profile, hand-force randomization during training, and training approach. We evaluate the resulting policies on a test set of retargeted human motions and compare the nominal policy with TWIST2 as an external baseline trained on the same motion set. The results distinguish choices with clear tracking effects from choices that mainly change actuation effort, training complexity, or physical interaction capability. Finally, we deploy YAHMP policies zero-shot on the real Unitree G1, demonstrating diverse whole-body motion tracking, balance under external perturbations, and forceful interaction.
• Abstract（参考訳）: ヒューマノイドの一般的なモーショントラッキングには、バランスを維持しながら、多様なボディ全体の参照に従うポリシーが必要である。 このようなポリシーを構築するには、多くの実用的な設計選択が必要であり、個々の効果を評価することはしばしば困難である。 本稿では,近年のヒューマノイド・モーション・イミテーション・パイプラインにおける共通モデリングとトレーニング・ファクターの実証的研究により,この問題に対処する。 本研究は,Unitree G1上で全体動作追跡ポリシーをトレーニング,評価,展開するためのオープンソースのモジュラーフレームワークであるYAHMPを開発した。 YAHMP内では,動作コマンド表現,観察履歴,行動表現,アクティベーションプロファイル,トレーニング中の手力ランダム化,トレーニングアプローチが異なる変種を比較する。 そこで我々は,再ターゲットされた人間の動作の試験セットに対する結果のポリシーを評価し,同じ動作セットでトレーニングされた外部ベースラインとして,TWIST2と名目上のポリシーを比較した。 結果は、アクティベーションの労力、トレーニングの複雑さ、物理的相互作用能力を変える選択と、明確なトラッキング効果で選択を区別する。 最後に、実際のUnitree G1上でYAHMPポリシーをゼロショットで展開し、多様な全身運動追跡、外部摂動下でのバランス、力強い相互作用を示す。

関連論文リスト

• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
  多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。 当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
  論文  参考訳（メタデータ） (2026-03-25T07:55:37Z)
• ICPRL: Acquiring Physical Intuition from Interactive Control [38.098959182766144]
  ICPRL(In-Context Physical Reinforcement Learning, In-Context Physical Reinforcement Learning, In-Context Physical Reinforcement Learning, ICPRL)は、VLMが物理的直観を習得し、そのポリシーを文脈内で適応することを可能にするフレームワークである。 提案手法は,多面的相互作用履歴に基づいて,多面的グループ相対的ポリシー最適化(GRPO)を介して,視覚的な政策モデルを訓練する。 これによりエージェントは、過去の試行錯誤シーケンスを条件にすることで、重み更新を必要とせずに戦略を適応することができる。
  論文  参考訳（メタデータ） (2026-03-01T15:17:18Z)
• EGM: Efficiently Learning General Motion Tracking Policy for High Dynamic Humanoid Whole-Body Control [26.475304854903516]
  EGMは、一般的なモーショントラッキングポリシーの効率的な学習を可能にするフレームワークである。 本研究では,障害に対する政策の堅牢性を高めるために,3段階のカリキュラムトレーニングフローを開発する。 わずか4.08時間のデータのトレーニングにもかかわらず、EGMは49.25時間の試験動作で頑強に一般化し、ルーチンと非常にダイナミックなタスクのベースラインを上回った。
  論文  参考訳（メタデータ） (2025-12-22T05:25:24Z)
• Evaluating Gemini Robotics Policies in a Veo World Simulator [69.23071832313246]
  我々はフロンティアビデオ基盤モデル(Veo)に基づく生成的評価システムを導入する。 このシステムは、ロボットアクションコンディショニングとマルチビュー一貫性をサポートするよう最適化されている。 我々は、Gemini Roboticsのポリシーチェックポイント8つと、バイマニュアルマニピュレータのための5つのタスクの1600以上の実世界の評価を通じて、これらの能力を検証した。
  論文  参考訳（メタデータ） (2025-12-11T14:22:14Z)
• GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
  本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。 我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。 我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
  論文  参考訳（メタデータ） (2025-05-02T17:59:55Z)
• Adaptive Tracking of a Single-Rigid-Body Character in Various Environments [2.048226951354646]
  単剛体キャラクタのシミュレーションに基づく深層強化学習手法を提案する。 中心運動モデル (CDM) を用いて, 全身特性を単一剛体 (SRB) として表現し, 基準運動を追跡する政策を訓練することにより, 様々な未観測環境変化に適応できる政策を得ることができる。 弊社の政策は、超ポータブルラップトップ上で30分以内に効率よく訓練され、学習中に経験されていない環境に対処できることを実証する。
  論文  参考訳（メタデータ） (2023-08-14T22:58:54Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)

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。