論文の概要: Towards Professional Tennis Styles for Humanoid Robots with Adaptive Motion Planning and Tracking

• arxiv url: http://arxiv.org/abs/2608.20087v1
• Date: Thu, 20 Aug 2026 14:19:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.596707
• Title: Towards Professional Tennis Styles for Humanoid Robots with Adaptive Motion Planning and Tracking
• Title（参考訳）: 適応型運動計画と追跡機能を有するヒューマノイドロボットのためのプロのテニススタイルを目指して
• Abstract要約: 本稿では,適応型モーションプランニング・トラッキングフレームワークであるAdaPTを提案する。 AdaPTはプロテニスのサーブとラリーのスタイルを放送ビデオから直接学習する。 ユニツリーG1における実世界の実験は、我々の適応機構の有効性を実証している。
• 参考スコア（独自算出の注目度）: 25.008696122611877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots have recently demonstrated promising capabilities in real-world ball sports. However, achieving professional motion styles while maintaining strong task performance remains challenging. In this work, we propose AdaPT, an Adaptive Motion Planning and Tracking framework that learns professional tennis serving and rally styles directly from broadcast videos. This hierarchical design is motivated by the key insight that the planner generates stylistic kinematic motions, while the tracker executes them with minimal interference with planning. Despite its effectiveness in simulation, a substantial sim-to-real gap emerges: tracking performance inevitably degrades on real robots, and this degradation is partially overlooked by autoregressive planning and further compounded by noisy perception. To address these issues, our adaptation mechanism improves tracking robustness by learning to track randomized execution speeds, while conditioning the planner on a learned motion-speed adapter to mitigate compounding errors. Real-world experiments on the Unitree G1 demonstrate the effectiveness of our adaptation mechanism in bridging the sim-to-real gap. We further deploy AdaPT policies on the full-size Dobot Atom humanoid robot (1.7m) and demonstrate in-the-wild serving without motion capture. Beyond these results, our real-world experiments reveal both algorithmic and engineering insights for future humanoid ball-sports systems. Videos and code are available on our \href{https://humanoidtennis.github.io/AdaPT/}{project website}.
• Abstract（参考訳）: ヒューマノイドロボットは最近、現実の球技で有望な能力を実証した。 しかし、高いタスク性能を維持しながらプロの動作スタイルを達成することは依然として困難である。 本研究では,放送ビデオから直接,プロテニス配信やラリースタイルを学習するアダプティブ・モーション・プランニング・トラッキング・フレームワークであるAdaPTを提案する。 この階層的な設計は、プランナーがスタイリスティックなキネマティックな動きを発生させ、トラッカーは計画に最小限の干渉でそれらを実行するという重要な洞察によって動機付けられている。 シミュレーションの有効性にもかかわらず、実際のロボットの性能の追跡は必然的に劣化し、この劣化は自己回帰計画によって部分的に見落とされ、さらにノイズの知覚によって複雑化される。 これらの問題に対処するため,提案手法はランダムな実行速度を学習することでロバスト性を向上させるとともに,学習した動作速度アダプタ上でプランナを条件付けすることで複合的なエラーを軽減している。 ユニツリーG1における実世界の実験は、シム・トゥ・リアルギャップをブリッジする際の適応機構の有効性を実証している。 我々はさらに、フルサイズのDobot Atomヒューマノイドロボット(1.7m)にAdaPTポリシーをデプロイし、モーションキャプチャーを使わずにWildで機能することを示す。 これらの結果以外にも、我々の実世界の実験は、将来のヒューマノイドボールスポーツシステムに対するアルゴリズムとエンジニアリングの両方の洞察を明らかにしている。 ビデオとコードは、我々の \href{https://humanoidtennis.github.io/AdaPT/}{project website} で公開されている。

関連論文リスト

• CyboRacket: A Perception-to-Action Framework for Humanoid Racket Sports [12.562008425243578]
  CyboRacketはヒューマノイドラケットスポーツのための階層的な知覚と行動のフレームワークである。 搭載されている視覚認識、物理に基づく軌道予測、大規模で事前訓練された全身制御を統合している。 視覚に基づくヒューマノイドテニスハイティングの課題について述べる。
  論文  参考訳（メタデータ） (2026-03-15T21:01:14Z)
• PhyGile: Physics-Prefix Guided Motion Generation for Agile General Humanoid Motion Tracking [23.96905373874686]
  本稿では,ロボットネイティブ動作生成と推論のループを閉じる統合フレームワークであるPhyGileを紹介する。 我々は,GMTコントローラをカリキュラムベースのMix-of-expertsスキームでトレーニングし,その後,大規模ロボット動作に対するロバスト性を改善するためにラベル付き動作データを用いた後学習を行った。 PhyGileはテキスト駆動型ヒューマノイドコントロールのフロンティアを拡張し、アジャイルの安定したトラッキングを可能にする。
  論文  参考訳（メタデータ） (2026-03-13T06:43:44Z)
• OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
  OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。 実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。 実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
  論文  参考訳（メタデータ） (2026-02-27T09:12:15Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• Implicit Kinodynamic Motion Retargeting for Human-to-humanoid Imitation Learning [35.8296790596745]
  Implicit Kinodynamic Motion Retargeting (IKMR)は、キネマティクスとダイナミックスの両方を考慮した、効率的でスケーラブルなフレームワークである。 IKMRは、モーション領域マッピングを学ぶために、モーショントポロジ表現とデュアルエンコーダデコーダアーキテクチャを事前訓練する。 実物大のヒューマノイドロボットでシミュレータと実物ロボットの両方で実験を行う。
  論文  参考訳（メタデータ） (2025-09-18T21:34:02Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)
• An advantage actor-critic algorithm for robotic motion planning in dense and dynamic scenarios [0.8594140167290099]
  本稿では,既存のアクター批判アルゴリズムを改良し,複雑な動作計画に適合する。 ロボットが目標を達成するまでの処理時間を短縮し、動き計画においてより高い成功率を達成する。
  論文  参考訳（メタデータ） (2021-02-05T12:30:23Z)

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。