論文の概要: Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence

• arxiv url: http://arxiv.org/abs/2609.02134v2
• Date: Mon, 07 Sep 2026 21:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-09 14:43:41.644251
• Title: Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence
• Title（参考訳）: 学習点雲対応によるヒューマノイドの統一運動目標化
• Authors: Hanyang Cao, Yuetong Fang, Taesoo Kwon, Runyi Yu, Ji Ma, Jing Tan, Yangchen Zhou, Baoze Du, Yi Gu, Yukang Gao, Ruoli Dai, Lei Han, Renjing Xu,
• Abstract要約: 我々は,手動で設計した人間ロボットマッピングを必要とせずに,高密度のクラウド対応を学習するフレームワークであるUnified Motion Retargeting(UMR)を提案する。 UMRは最先端の手法よりも動きの忠実度と妥当性が高い。
• 参考スコア（独自算出の注目度）: 24.060385614379783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid learning increasingly relies on transforming vast and diverse human motion data into high-quality robot reference trajectories. However, retargeting human motion to humanoid robots is challenging due to substantial differences in morphology, degrees of freedom, joint ranges, and kinematic constraints between humans and robots. Existing retargeting methods typically address these differences by defining human-robot correspondence through hand-crafted sparse keypoints or body-part pairs. As a result, retargeting quality depends heavily on manual semantic design, limiting scalability across motion sources and robot morphologies and providing only sparse guidance for reproducing detailed poses and interactions. In this paper, we present Unified Motion Retargeting (UMR), a framework that learns dense point cloud correspondence without requiring manually designed human-robot mappings. By treating exterior point clouds as a unified interface between human motion and humanoid robots, UMR decouples retargeting from source-specific skeletal semantics and robot-specific topology. The learned dense correspondence provides fine-grained geometric anchors for constrained point cloud matching optimization, enabling surface-level pose alignment and direct transfer of interaction contacts. Experiments demonstrate that UMR unifies retargeting across heterogeneous motion sources, robot embodiments, and downstream scenarios ranging from locomotion to interaction, while achieving higher motion fidelity and plausibility than state-of-the-art methods. UMR therefore provides a scalable foundation for transforming large-scale human motion references into robot-ready training data.
• Abstract（参考訳）: ヒューマノイド学習は、多種多様な人間の動きデータを高品質なロボット参照軌道に変換することにますます依存している。 しかし,ヒトの運動をヒューマノイドロボットに再ターゲティングすることは,形態,自由度,関節範囲,人間とロボット間の運動的制約が著しく異なるため,困難である。 既存のリターゲティング手法は、手作りのスパースキーポイントやボディパートペアを通じて人間とロボットの対応を定義することで、これらの違いに対処するのが一般的である。 結果として、リターゲティングの品質は、手動のセマンティックデザインに大きく依存し、動き源やロボット形態のスケーラビリティを制限し、詳細なポーズやインタラクションを再現するためのわずかなガイダンスのみを提供する。 本稿では,手動で設計した人間ロボットマッピングを必要とせずに,高密度のクラウド対応を学習するフレームワークであるUnified Motion Retargeting(UMR)を提案する。 人間の動きとヒューマノイドロボットの統一インターフェースとして外点雲を取り扱うことにより、UMRはソース固有の骨格意味論とロボット固有のトポロジーから切り離される。 学習された高密度対応は、制約点雲マッチング最適化のためのきめ細かい幾何学的アンカーを提供し、表面レベルのポーズアライメントと相互作用接触の直接移動を可能にする。 実験により、UMRは異種運動源、ロボットの実施形態、移動から相互作用に至るまでの下流シナリオを統一し、最先端の手法よりも高い動きの忠実さと妥当性を実現する。 したがって、UMRは、大規模な人間のモーション参照をロボット対応のトレーニングデータに変換するためのスケーラブルな基盤を提供する。

関連論文リスト

• ObjRetarget: An Object-Aware Motion Retargeting Framework with Anthropomorphic Arm Constraints and Polyhedral Hand Modeling [9.378632224914458]
  人間の操作ビデオからの巧妙な操作は、ロボットアクションの実行に確実に人間の意図を必要とする。 既存の手法はしばしば明示的な接触モデリングや強化を無視し、精度と一般化が制限される。 本研究では,人間のビデオからロボットの器用な操作を学習するためのロボットモーションフレームワークRetargetを提案する。
  論文  参考訳（メタデータ） (2026-07-04T11:31:23Z)
• Human2Humanoid: Physics-Aware Cross-Morphology Motion Retargeting for Humanoid Robots [9.096721498763717]
  人間の動きをヒューマノイドロボットに再ターゲティングすることは、遠隔操作、模倣学習、人間とロボットの相互作用にとって重要である。 本稿では,人間の動作を高忠実度なヒューマノイドロボットに伝達する,教師なし動作フレームワークであるHuman2Humanを提案する。 実験の結果, 提案手法は, ペアデータを持たないユニトリーG1ヒューマノイドロボットに対して, 人間の動きを的確に再現することに成功した。
  論文  参考訳（メタデータ） (2026-06-02T10:53:06Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers [49.796014934503184]
  本研究では、単一モデルで多様なロボット形態に人間の動きを適応させることができる統一型ニューラルネットワークフレームワークを提案する。 12個の異なるヒューマノイドロボットの実験結果から、AdaMorphが異種トポロジにわたって効果的に制御できることが示されている。
  論文  参考訳（メタデータ） (2026-01-12T07:39:38Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• ImitationNet: Unsupervised Human-to-Robot Motion Retargeting via Shared Latent Space [9.806227900768926]
  本稿では,ロボットの動きに対する新しいディープラーニング手法を提案する。 本手法では,新しいロボットへの翻訳を容易にする,人間とロボットのペアデータを必要としない。 我々のモデルは、効率と精度の観点から、人間とロボットの類似性に関する既存の研究よりも優れています。
  論文  参考訳（メタデータ） (2023-09-11T08:55:04Z)

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。