論文の概要: mmSimPrior: Learning Simulation Priors for Data-Efficient Real-World Generalizable Radar-Based Human Motion Reconstruction
- arxiv url: http://arxiv.org/abs/2607.22973v1
- Date: Sat, 25 Jul 2026 00:56:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:14.953495
- Title: mmSimPrior: Learning Simulation Priors for Data-Efficient Real-World Generalizable Radar-Based Human Motion Reconstruction
- Title（参考訳）: mmSimPrior:データ効率の良い実世界一般化可能なレーダに基づく人体運動再構成のための学習シミュレーション
- Authors: Cheng Guo, Qiming Cao, Shengkai Xu, Haoyu Xie, Kaixiang Su, Pu Wang, Hongfei Xue,
- Abstract要約: 我々は,信号,動き,レーダ間マッピングに伝達可能な知識を分解するシミュレーション事前学習フレームワークmmSimPriorを提案する。
mmSimPrior-RealとRT-Poseの実験は、一貫した利得を示した。
- 参考スコア（独自算出の注目度）: 12.731621912265986
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Millimeter-wave (mmWave) radar offers privacy-preserving and lighting-robust sensing for human motion reconstruction, but learning models that generalize across real deployments require diverse paired radar-motion data that are costly to collect. Simulation provides scalable supervision, yet models trained on clean synthetic signals transfer poorly because of multipath, clutter, response statistics, and resolution degradation. We present mmSimPrior, a simulation-pretrained framework that factorizes transferable knowledge into signal, motion, and radar-to-motion mapping priors. A multi-modal signal encoder is pretrained with a physics-informed domain-randomization curriculum that emulates propagation- and acquisition-level variations, while a joint-temporal tokenizer learns a discrete prior over plausible human motion. A shared mapping prior supports classification over a learned motion codebook for constrained zero-shot reconstruction and continuous regression for flexible limited-data adaptation. We further construct a 4.2M-frame, 31K-sequence dataset suite and introduce a No-Overlap Setting that excludes repeated complete subject-environment-location-motion configurations across adaptation and test. Experiments on mmSimPrior-Real and RT-Pose demonstrate consistent gains: with only 24 paired real sequences, mmSimPrior-Reg reduces MPJPE by 24.7% to 39.0% over the strongest baseline across the three environments, while mmSimPrior-Cls reduces zero-shot MPJPE by 8.5% without finetuning.
- Abstract（参考訳）: ミリ波レーダー(mmWave)は、人間の動きを再現するためのプライバシー保護と照明ロスの検知を提供するが、実際の展開を一般化する学習モデルには、収集にコストがかかる多様なペアのレーダーモーションデータが必要である。
シミュレーションは、スケーラブルな監視を提供するが、マルチパス、クラッタ、応答統計、分解能劣化のために、クリーンな合成信号の伝達を訓練したモデルが不十分である。
我々は,信号,動き,レーダ間マッピングに伝達可能な知識を分解するシミュレーション事前学習フレームワークmmSimPriorを提案する。
多モード信号エンコーダは、伝播レベルおよび取得レベルの変化をエミュレートする物理インフォームドドメインランダム化カリキュラムで事前訓練される一方、共同時間トークン化器は、可塑性な人間の動作に対して離散的な事前学習を行う。
共有マッピングは、制約付きゼロショット再構成とフレキシブルな限定データ適応のための連続回帰のための学習されたモーションコードブック上の分類をサポートする。
さらに、4.2Mフレームの31Kシーケンスデータセットスイートを構築し、適応とテストにまたがる完全な環境と環境と場所の移動の繰り返しを排除したNo-Overlap設定を導入する。
mmSimPrior-Real と RT-Pose の実験では、24組の実数列しか持たず、mmSimPrior-Reg はMPJPEを24.7%減らし、39.0%減らし、mmSimPrior-Cls は0ショットのMPJPEを8.5%減らした。
関連論文リスト
- HybridSim: A Physics-Learning Hybrid Digital Twin for mmWave Human Sensing [16.25180983132509]
HybridSimは物理を学習するハイブリッドシミュレータで、室内の固定された構成の下で、動的人間のメッシュからミリ波レーダー信号を合成する。
サイト固有のデータ拡張にHybridSimを使用する場合、下流レーダに基づくヒューマンセンシングタスクにおいて、物理ベースの参照と一貫した利得との整合性の向上を示す。
論文 参考訳（メタデータ） (2026-07-17T10:20:31Z) - Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。
相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。
まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
論文 参考訳（メタデータ） (2026-07-13T14:03:26Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - TactSpace: Learning a Physics-enriched Shared Latent Space for Tactile Sim-to-Real Transfer [8.357674069719524]
共用潜在空間内での不均一な触覚を整列する多モード表現学習フレームワークを提案する。
本手法では, 様々な触覚観測を共通埋め込み空間に投影するために, モダリティ特異的エンコーダを用いる。
本結果は, 物理的に異なる表現間のゼロショットsim-to-real転送を実証する。
論文 参考訳（メタデータ） (2026-06-17T11:41:27Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - ReconPhys: Reconstruct Appearance and Physical Attributes from Single Video [51.2815592637053]
ReconPhysは、単一の単眼ビデオから物理的属性推定と3次元ガウススプラッティング再構成を共同で学習するフィードフォワードフレームワークである。
提案手法では, 自己教師型戦略を用いて訓練したデュアルブランチアーキテクチャを用いて, 地上の物理ラベルの必要性を解消する。
大規模合成データセットの実験は優れた性能を示した。
論文 参考訳（メタデータ） (2026-04-09T06:51:14Z) - Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。
物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。
GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
論文 参考訳（メタデータ） (2026-04-08T16:58:14Z) - PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning [51.24484551729328]
PRISMは,IMLEのバッチ・グロバル・リジェクション・サンプリングに基づく単一パスポリシーである。
PRISMは、Performerアーキテクチャを用いた線形アテンション発生器と時間的マルチセンサエンコーダを結合する。
7-DoFアームD1を搭載したUnitree Go2を用いたロコマニピュレーションやUR5マニピュレータを用いたテーブルトップ操作など,PRISMの有効性を実証する。
論文 参考訳（メタデータ） (2026-02-02T17:57:37Z) - mmWEAVER: Environment-Specific mmWave Signal Synthesis from a Photo and Activity Description [2.1178416840822027]
mmWeaverは、現実的で環境特有の複雑なmmWave信号を合成する新しいフレームワークである。
意味的および幾何学的事前条件を条件に、mmWeaverは様々なI/Q信号を複数の解像度で生成する。
実験により、mmWeaverは0.88の複雑なSSIMと35dBのPSNRを達成し、信号リアリズムの既存の手法より優れていることが示された。
論文 参考訳（メタデータ） (2025-12-10T03:32:48Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - A Lightweight Human Pose Estimation Approach for Edge Computing-Enabled Metaverse with Compressive Sensing [23.884862152830184]
5G/6Gネットワークのようなエッジコンピューティング対応ネットワーク上のユーザの3D動作を推定する能力は、拡張現実(XR)とメタバースアプリケーションの新しい時代の重要な実現要因である。
近年の深層学習の進歩は,センサ信号からの予備的な計測から3次元人のポーズを推定する最適化手法よりも有利であることが示されている。
ノイズの多い無線環境におけるIMU信号の冗長性除去と軽量伝送のための新しい手法を提案する。
論文 参考訳（メタデータ） (2024-08-26T02:57:23Z)
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。