論文の概要: Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2609.11357v1
- Date: Thu, 10 Sep 2026 10:40:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.305953
- Title: Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation
- Title（参考訳）: 車輪付きヒューマノイドロコマニピュレーションのための形態認識型ヒューマンモーションリターゲティング
- Abstract要約: 本稿では,マルチデータセット動作をガラクサR1車輪型ヒューマノイドのロコ操作動作に変換するパイプラインを提案する。
ロボットは平面式3輪ベースとシリアル胴体と2本の腕を持つが、脚の関節は持たない。
基準ツイスト駆動の計画層は、平面ベースの動きを連続した3輪ステアリングとローリングコマンドにデコードする。
- 参考スコア（独自算出の注目度）: 3.1041072702135213
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Human-to-humanoid retargeting has largely been studied on legged platforms, while comparatively few wheeled-humanoid systems support coupled locomotion and manipulation from general human motion. Building on GMR's configurable general-motion retargeting and BeyondMimic's physically simulated R1 Pro learning framework, we present a reproducible pipeline that converts multi-dataset SMPLX motion into executable loco-manipulation behavior for the Galaxea R1 Pro wheeled humanoid. The robot has a planar three-wheel base, a serial torso, and two arms but no leg joints, so human lower-body motion must be redistributed across base motion and torso posture without sacrificing manipulation-relevant arm geometry. Our pipeline combines canonical body-shape preprocessing, planar-base normalization, morphology-aware differential inverse kinematics, shoulder-rooted hierarchical arm retargeting, and continuous torso substitution for bending and squatting. A reference-twist-driven planning layer then decodes planar base motion into continuous three-wheel steering and rolling commands subject to hysteresis, kinematic continuity, acceleration, and actuator-rate limits. Finally, a 21-dimensional BaseDecode policy is trained in Isaac Lab with directional joint-limit scaling, focused upper-body tracking, and a staged wheel-contact reward. The resulting system provides a complete bridge from human motion data to physically trackable wheeled-humanoid loco-manipulation rather than a visualization-only retargeter; quantitative policy comparisons remain scheduled for a later revision.
- Abstract（参考訳）: ヒトからヒトへのリターゲティングは主に脚のあるプラットフォームで研究されているが、車輪付きヒューマノイドシステムは一般的な人間の動きからの複合的な移動と操作をサポートするものはほとんどない。
GMRの構成可能な汎用運動再ターゲティングとBeyondMimicの物理シミュレーションR1 Pro学習フレームワークをベースとして,マルチデータセットSMPLX動作をガラクサR1 Pro車輪型ヒューマノイドのロコ操作動作に変換する再現可能なパイプラインを提案する。
ロボットは平面式3輪ベースと連続胴体と2本の腕を持つが、脚関節がないため、操作関連アーム形状を犠牲にすることなく、人間の下半身の動きをベースモーションと胴体姿勢に再配置する必要がある。
我々のパイプラインは、標準のボディーシェイプ前処理、プラナーベース正規化、モルフォロジーを意識した逆運動学、肩根の階層的腕再ターゲティング、および屈曲としゃがみに対する連続的な胴体置換を組み合わせている。
基準ツイスト駆動計画層は、平面基底運動を、ヒステリシス、運動連続性、加速度、アクチュエータレートの制限を受ける連続3輪ステアリングとローリングコマンドにデコードする。
最後に、21次元のBaseDecodeポリシをIsaac Labでトレーニングし、方向性のジョイント・リミット・スケーリング、集中した上体追跡、ステージ付きホイール・コンタクト報酬を提供する。
結果として得られたシステムは、人の動きデータから物理的に追跡可能な車輪付きヒューマノイドロコマニピュレーションまで、可視化のみのリターゲッターよりも完全なブリッジを提供する。
関連論文リスト
- Behavior Foundations for Quadruped Robots: ABot-C0 Technical Report [25.18747802029395]
本稿では,四足歩行ロボットの汎用動作制御システムであるABot-C0を提案する。
我々は、条件付きビデオ生成、注釈付きモーションキャプチャ、ヒューマンデザインを通じてデータピラミッドを構築し、16,074個の物理的に実現可能なモーションクリップを生成した。
そして、3段階の特権と知覚の枠組みを採用することで、ロバストな全地球移動に向けて一歩前進します。
論文 参考訳（メタデータ） (2026-07-08T13:04:07Z) - X-Morph: Human Motion Priors for Scalable Robot Learning Across Morphologies [6.9484599086239465]
我々は、人間の動きをロコ操作ポリシーに変換する人間の動きからロボットへの行動であるX-Morphを提示する。
クロスモルフォロジー段階は、人間の動きを運動学的に妥当で、意図的に保存されるロボットの参照に変換する。
結果として得られたポリシーは、さまざまな再ターゲティングされた動きを追跡し、目に見えない人間の動きに再利用し、ビデオベースの遠隔操作を含むユースケースをサポートする。
論文 参考訳（メタデータ） (2026-06-29T13:31:27Z) - Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。
我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。
学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
論文 参考訳（メタデータ） (2026-06-06T08:46:44Z) - GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。
GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。
我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。
GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
論文 参考訳（メタデータ） (2026-06-03T17:57:45Z) - M3imic: Learning a Versatile Whole-Body Controller for Multimodal Motion Mimicking [45.636871702422134]
Multi-Modal Mimicはヒューマノイドロボットのための汎用的な全身制御フレームワークである。
ロボットの関節角度、人間のポーズ軌跡、エンドエフェクターのポーズなど、異種動作参照モードを統一する。
モダリティ特異的なリトレーニングを伴わない、複数の運動基準モード間のシミュレート・トゥ・リアル転送を実現する。
論文 参考訳（メタデータ） (2026-06-03T12:52:37Z) - SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。
タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T03:03:14Z) - 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) - ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。
ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。
結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
論文 参考訳（メタデータ） (2025-10-06T17:47:02Z) - 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) - Skeleton2Humanoid: Animating Simulated Characters for
Physically-plausible Motion In-betweening [59.88594294676711]
現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。
テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。
挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2022-10-09T16:15:34Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。