論文の概要: Progressively Learning Heterogeneous Skills in a Unified Latent Space

• arxiv url: http://arxiv.org/abs/2608.23258v1
• Date: Mon, 24 Aug 2026 13:48:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.122904
• Title: Progressively Learning Heterogeneous Skills in a Unified Latent Space
• Title（参考訳）: 未成年者空間における異種スキルの高度学習
• Abstract要約: HetSkillsは物理ベースの文字制御のための統一潜在空間内で異種スキルを学ぶために設計された新しいフレームワークである。 HetSkillsは、モーションコントロールの強力な基盤を確立し、共有モーションデコーダを作成するトラッキングスキルを学ぶことから始まる。 本稿では,言語意味論における地中テクスト・ツー・モーション生成にモーション蒸留を導入し,ハイレベルな言語命令に基づいて動的に動作を調整するタスクガイダンスモジュールを提案する。
• 参考スコア（独自算出の注目度）: 69.64319218245176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose HetSkills, a novel framework designed to progressively learn heterogeneous skills within a unified latent space for physics-based character control. The core idea is to treat this latent space as a shared executable interface, enabling seamless integration of skills learned from diverse data sources, supervision forms, and tasks. HetSkills begins by learning a tracking skill that establishes a strong foundation in motion control and creates a shared motion decoder, which can be reused across tasks without the need for retraining or separate controllers. To prevent the text-to-motion skill from exploiting shortcut pathways instead of learning language semantics, we introduce motion intuition distillation to ground text-to-motion generation in language semantics and a task-guidance module that dynamically adjusts actions based on high-level language instructions. This enables HetSkills to preserve natural motion while continuously expanding its skill repertoire, making it highly adaptable for long-horizon tasks. Experimental results demonstrate the effectiveness in motion tracking, text-to-motion generation, motion completion, and downstream task adaptation, achieving impressive success rates even under challenging conditions.
• Abstract（参考訳）: 物理に基づく文字制御のための統合潜在空間内で異種スキルを段階的に学習する新しいフレームワークであるHetSkillsを提案する。 中心となる考え方は、この潜伏空間を共有実行可能なインターフェースとして扱い、多様なデータソース、監督フォーム、タスクから学んだスキルをシームレスに統合することである。 HetSkillsは、モーションコントロールの強力な基盤を確立し、タスク間で再利用可能な共有モーションデコーダを作成するトラッキングスキルを学ぶことから始まる。 言語意味論を学習する代わりに,テキスト・トゥ・モーションのスキルがショートカット・パスを利用するのを防ぐため,言語意味論の基盤となるテキスト・トゥ・モーション生成に動作直感蒸留を導入するとともに,ハイレベルな言語指示に基づいて動的に動作を調整するタスク誘導モジュールを提案する。 これにより、HetSkillsはそのスキルレパートリーを継続的に拡張しながら自然の動きを保ち、長時間の作業に高い適応性を持たせることができる。 実験により, 動作追跡, テキスト・ツー・モーション生成, 動作完了, 下流タスク適応の有効性が示された。

関連論文リスト

• Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
  本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。 プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。 このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
  論文  参考訳（メタデータ） (2026-07-24T17:59:22Z)
• Language-Grounded Decoupled Action Representation for Robotic Manipulation [78.42228162226839]
  認識と制御を結びつけるために,Language-Grounded Decoupled Action Representation (LaDA) フレームワークを提案する。 LaDAは3つの解釈可能なアクションプリミティブ(翻訳、回転、グリップ制御)の微細な中間層を導入し、低レベルのアクションに対して明示的な意味構造を提供する。 さらに、セマンティックガイダンスによるソフトラベルのコントラスト学習の目的を用いて、類似のアクションプリミティブをタスク間で整列させ、一般化と動きの整合性を高める。
  論文  参考訳（メタデータ） (2026-03-13T13:08:26Z)
• Learning Semantic Atomic Skills for Multi-Task Robotic Manipulation [34.73582639920571]
  AtomSkillは、新しいマルチタスク模倣学習フレームワークである。 構成可能なロボット操作のために構造化された原子スキルスペースを学習し活用する。 さまざまな操作タスクにまたがって、最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2025-12-20T13:46:08Z)
• LinguaFluid: Language Guided Fluid Control via Semantic Rewards in Reinforcement Learning [0.7864304771129751]
  本研究では,現在状態と目標意味的指示とを一致させて報酬を計算できる意味的整合強化学習手法を提案する。 我々は,手作りの報酬関数がなくても,意味報酬は学習を指導して,競争力のある制御動作を実現することができることを示した。 このフレームワークは、エージェントの振る舞いを自然言語の目標と整合させるための新たな地平を開き、より大きな言語モデルのよりシームレスな統合の基礎となる。
  論文  参考訳（メタデータ） (2025-08-08T03:23:56Z)
• HYPERmotion: Learning Hybrid Behavior Planning for Autonomous Loco-manipulation [7.01404330241523]
  HYPERmotionは、異なるシナリオのタスクに基づいて行動を学び、選択し、計画するフレームワークである。 強化学習と全身最適化を組み合わせることで,38関節の運動を生成する。 シミュレーションと実世界の実験では、学習した動きが新しいタスクに効率的に適応できることが示されている。
  論文  参考訳（メタデータ） (2024-06-20T18:21:24Z)
• AnySkill: Learning Open-Vocabulary Physical Skill for Interactive Agents [58.807802111818994]
  オープンな語彙の指示に従って物理的に妥当な相互作用を学習する新しい階層的手法であるAnySkillを提案する。 我々のアプローチは、模倣学習によって訓練された低レベルコントローラを介して、一連のアトミックアクションを開発することから始まります。 提案手法の重要な特徴は,手動の報酬工学を使わずにオブジェクトとのインタラクションを学習する,高レベルなポリシーに対する画像ベースの報酬の利用である。
  論文  参考訳（メタデータ） (2024-03-19T15:41:39Z)
• InsActor: Instruction-driven Physics-based Characters [65.4702927454252]
  本稿では,物理系文字の命令駆動型アニメーションを生成する,原理的生成フレームワークを提案する。 我々のフレームワークは、InsActorに高レベルな人間の指示とキャラクターの動きの間の複雑な関係をキャプチャする権限を与える。 InsActorは、命令駆動のモーション生成や命令駆動のウェイポイント誘導など、様々なタスクで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-28T17:10:31Z)
• SkillDiffuser: Interpretable Hierarchical Planning via Skill Abstractions in Diffusion-Based Task Execution [75.2573501625811]
  拡散モデルは、ロボット軌道計画の強力な可能性を示している。 高レベルの命令からコヒーレントな軌道を生成することは依然として困難である。 エンド・ツー・エンドの階層的計画フレームワークであるSkillDiffuserを提案する。
  論文  参考訳（メタデータ） (2023-12-18T18:16:52Z)
• ASE: Large-Scale Reusable Adversarial Skill Embeddings for Physically Simulated Characters [123.88692739360457]
  汎用運動技術により、人間は複雑な作業を行うことができる。 これらのスキルは、新しいタスクを学ぶときの振る舞いを導くための強力な先駆者も提供します。 物理シミュレーション文字のための汎用的で再利用可能なスキル埋め込みを学習するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-04T06:13:28Z)

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。