論文の概要: GenTrack: Physical Alignment for Robot-Native Motion Generation and Zero-Shot Humanoid Tracking
- arxiv url: http://arxiv.org/abs/2608.01410v2
- Date: Wed, 05 Aug 2026 07:33:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.078148
- Title: GenTrack: Physical Alignment for Robot-Native Motion Generation and Zero-Shot Humanoid Tracking
- Title（参考訳）: GenTrack: ロボット負運動生成とゼロショットヒューマノイド追跡のための物理的アライメント
- Authors: Zeyu Ling, Xinyao Yu, Renye Yan, Jikang Cheng, Zhanke Wang, Qing Shuai, Changqing Zou,
- Abstract要約: 汎用ヒューマノイドトラッカーは多様な参照を実行することができるが、そのゼロショットカバレッジは、拡張するのにコストがかかる大きなエンボディコーパスに依存している。
我々は、オンラインジェネレータ-トラッカーフレームワークであるGenTrackを紹介し、新たに生成された参照に対するトラッカートレーニングと実行ベースでグループ関係のジェネレータアライメントを交換する。
- 参考スコア（独自算出の注目度）: 20.397340513713413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General-purpose humanoid trackers can execute diverse references, but their zero-shot coverage depends on large embodied corpora that are costly to extend. Text-to-motion generators offer scalable supervision, yet models trained on human motion or retargeted data inherit a gap between kinematic plausibility and robot executability. Existing one-way pipelines fix either the generated corpus or the reward tracker. We introduce GenTrack, an online generator--tracker framework that alternates execution-grounded, group-relative generator alignment with tracker training on newly generated references; anchoring and rehearsal constrain drift. On Unitree G1, we evaluate GenTrack with ProtoMotions and SONIC backbones across three zero-shot tracking splits including public AMASS and LAFAN benchmarks, and a private out-of-distribution test set of 1,024 prompt-motion pairs in the wild. The online co-training strategy consistently produces generators that output more robot-executable motions with strong semantic alignment, and trackers with markedly broader zero-shot coverage and improved tracking accuracy, especially on out-of-distribution references. These results demonstrate that joint online post-training effectively narrows the executability gap between retargeted references and robot-native motion, advancing zero-shot humanoid control without additional data collection and beyond the limitations of a static reference pool.
- Abstract（参考訳）: 汎用ヒューマノイドトラッカーは多様な参照を実行することができるが、そのゼロショットカバレッジは、拡張するのにコストがかかる大きなエンボディコーパスに依存している。
テキスト・トゥ・モーション・ジェネレータは、スケーラブルな監視を提供するが、人間の動きに基づいて訓練されたモデルや、再ターゲティングされたデータは、キネマティック・プラウティビリティとロボットの実行可能性の間のギャップを継承する。
既存の一方通行パイプラインは、生成されたコーパスまたは報酬トラッカーのどちらかを修正する。
我々はGenTrackというオンライン・ジェネレータ・トラッカー・フレームワークを紹介した。これは実行ベースでグループ関係のジェネレータアライメントと、新たに生成された参照のトラッカートレーニング、アンカリングとリハーサルの制約ドリフトを交互に行う。
Unitree G1では、パブリックAMASSとLAFANベンチマークを含む3つのゼロショットトラッキングスプリットでProtoMotionsとSONICのバックボーンを用いてGenTrackを評価し、野生で1,024のプロンプトモーションペアのプライベートアウト・オブ・ディストリビューションテストセットを作成した。
オンライン共同トレーニング戦略は、強力なセマンティックアライメントを備えたロボット実行可能なモーションを出力するジェネレータを一貫して生成する。
これらの結果から,統合オンラインポストトレーニングは,再ターゲット参照とロボットネイティブ動作間の実行可能性ギャップを効果的に狭め,付加的なデータ収集や静的参照プールの制限を超えてゼロショットヒューマノイド制御を推し進めることを示した。
関連論文リスト
- TEXEDO : Test Time Scaling for Controller-aware Language-conditioned Humanoid Motion Generation [48.72797830886802]
我々はヒューマノイドモーション生成のためのテスト時間スケーリングフレームワークであるTEXEDOを紹介する。
基礎となる強力な発電機を必要とせず、運動の質を向上させる。
追跡忠実度とテキストアライメントの両方を継続的に改善することを示す。
論文 参考訳（メタデータ） (2026-06-22T08:14:35Z) - Humanoid-GPT: Scaling Data and Structure for Zero-Shot Motion Tracking [21.334872673132594]
我々は,GPT方式のトランスフォーマーであるHumanoid-GPTを紹介した。
Humanoid-GPTは、2Bフレームの再ターゲットコーパスで事前トレーニングされている。
論文 参考訳（メタデータ） (2026-06-02T17:59:05Z) - Interactive Tracking: A Human-in-the-Loop Paradigm with Memory-Augmented Adaptation [60.96010213186819]
自然言語コマンドを使用していつでもトラッカーをガイドできる新しいパラダイムであるInteractive Trackingを導入する。
対話型トラッキングのための最初の大規模ベンチマークであるInteractTrackについて紹介する。
第3に,ユーザからのフィードバックから学習し,トラッキング動作を更新するために動的メモリ機構を利用する新しいベースラインであるInteractive Memory-Augmented Tracking (IMAT)を導入する。
論文 参考訳（メタデータ） (2026-04-02T12:33:27Z) - ECHO: Edge-Cloud Humanoid Orchestration for Language-to-Motion Control [8.983091538704645]
本稿では,ヒューマノイドロボットの言語駆動型全身制御のためのエッジホスト型フレームワークECHOを提案する。
クラウドネイティブ拡散に基づくテキスト・トゥ・モーション・ジェネレータは、自然言語命令から動作参照を合成する。
エッジ展開された強化学習トラッカーは、ロボットのクローズドループでそれらを実行する。
論文 参考訳（メタデータ） (2026-03-17T07:16:18Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - GenTrack: A New Generation of Multi-Object Tracking [3.259045978275386]
本稿では,GenTrackと呼ばれる新しいマルチオブジェクトトラッキング手法を提案する。
フレキシブルかつ決定論的な追跡手法を使用して、未知数と時間変化のターゲットを堅牢に処理する。
GenTrackは、最先端トラッカーと比較して、標準的なベンチマークと実世界のシナリオで優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2025-10-28T13:13:20Z) - RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。
複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
論文 参考訳（メタデータ） (2025-09-25T03:30:34Z) - TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。
私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。
以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
論文 参考訳（メタデータ） (2025-09-15T12:25:39Z)
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。