論文の概要: WholeBodyWAM: Learning Whole-Body World Action Models with Scalable Motion Priors
- arxiv url: http://arxiv.org/abs/2609.18197v1
- Date: Wed, 16 Sep 2026 06:32:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.673652
- Title: WholeBodyWAM: Learning Whole-Body World Action Models with Scalable Motion Priors
- Title（参考訳）: WholeBodyWAM: スケーラブルな動作を優先したWhole-Body World Action Modelの学習
- Abstract要約: WholeBodyWAMは、ターゲットロボット訓練の前に、大規模な異種運動から全身動態を学習する。
言語条件のモーションエキスパートは、ターゲットロボットアクションの監督なしに、将来の全身の動きを予測するために事前訓練される。
実験により、WholeBodyWAMは運動抑制尺度の増大の恩恵を一貫して受けることが示された。
- 参考スコア（独自算出の注目度）: 28.761088065994244
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humanoid whole-body manipulation requires coordinated whole-body dynamics, yet large-scale trajectories from a target robot are expensive to collect and difficult to scale. In contrast, whole-body motion from human and humanoid sources is abundantly available, although such data cannot be directly used as embodiment-specific robot actions. This work asks whether these scalable motion resources can instead provide a transferable predictive prior for humanoid world-action modeling. We introduce WholeBodyWAM, a humanoid world-action model that learns whole-body dynamics from large-scale heterogeneous motion before target-robot training. We curate UniMotion-4K, a motion corpus spanning more than 4K hours from human videos, native 3D motion datasets, and heterogeneous humanoid platforms, and canonicalize these diverse sources into a unified motion space. A language-conditioned Motion Expert is then pretrained to predict future whole-body motion without target-robot action supervision. During robot post-training, the pretrained Motion Expert is integrated with Video and Action Experts through asymmetric Mixture-of-Transformers (MoT) attention, enabling predictive scene dynamics and whole-body motion to jointly inform embodiment-specific action generation. Experiments show that WholeBodyWAM consistently benefits from increased motion-pretraining scale, improves future-motion prediction and downstream task performance, and transfers effectively to real-world humanoid manipulation. Moreover, the pretrained motion prior substantially improves data efficiency under limited target-robot demonstrations.
- Abstract（参考訳）: 人体全体の操作には調整された全身動態が必要であるが、対象ロボットからの大規模な軌道は収集に費用がかかり、スケールが困難である。
対照的に、人間とヒューマノイドのソースからの全身の動きは豊富であるが、そのようなデータはエンボディメント固有のロボットアクションとして直接利用することはできない。
この研究は、これらのスケーラブルなモーションリソースが、ヒューマノイド世界アクションモデリングに先立って、伝達可能な予測を提供することができるかどうかを問うものである。
対象ロボットの訓練前に大規模な異種運動から全身動態を学習するヒューマノイド世界行動モデルWholeBodyWAMを紹介する。
We curate UniMotion-4K, a motion corpus, a 4K hours from human video, native 3D motion datasets and heterogeneous humanoid platform, and canonicalized these various source into a unified motion space。
言語条件のモーションエキスパートは、ターゲットロボットアクションの監督なしに、将来の全身の動きを予測するために事前訓練される。
ロボットのポストトレーニング中、事前訓練されたモーションエキスパートは、非対称なMixture-of-Transformers(MoT)の注意を通して、ビデオおよびアクションエキスパートと統合され、予測的なシーンダイナミクスと全身の動きにより、エンボディメント固有のアクション生成を共同で通知することができる。
実験の結果,WholeBodyWAMは動き抑制スケールの増大,将来の動き予測の改善,下流タスクのパフォーマンス向上,実世界のヒューマノイド操作への効果的移行のメリットが示された。
さらに、事前訓練された動きは、限られた目標ロボットのデモンストレーションにおいて、データ効率を大幅に向上させる。
関連論文リスト
- LD4WAM: Learning Latent Dynamics from Human Videos for World Action Models [14.629670168049984]
本稿では,映像のブリッジ前処理と低レベル動作の具体的表現として,動作整列潜時ダイナミクスを提案する。
意味再構成と実動作アライメントを訓練した潜在ダイナミクスモデルと、変換器の混合として構築されたワールドダイナミクスアクションモデル(MoT)を組み合わせたLD4WAMを提案する。
LD4WAMは、5000時間以上の人間とロボットのデータの統合データセットに基づいて、RoboTwinシミュレーションや、グリッパーと器用な両手を備えた本物のロボット上で、強力に動作します。
論文 参考訳（メタデータ） (2026-08-23T13:09:30Z) - 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) - 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) - FRoM-W1: Towards General Humanoid Whole-Body Control with Language Instructions [147.04372611893032]
FRoM-W1は、自然言語を用いた一般的なヒューマノイド全体の動作制御を実現するために設計されたオープンソースのフレームワークである。
我々はUnitree H1とG1ロボット上でFRoM-W1を広範囲に評価した。
その結果,HumanML3D-Xベンチマークにおいて,人体全体の動作生成に優れた性能を示した。
論文 参考訳（メタデータ） (2026-01-19T07:59:32Z) - SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。
我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。
本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
論文 参考訳（メタデータ） (2025-11-11T04:37:40Z) - 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) - Learning Human-to-Humanoid Real-Time Whole-Body Teleoperation [34.65637397405485]
本稿では,Human to Humanoid(H2O)について紹介する。H2Oは,RGBカメラのみを搭載したヒューマノイドロボットのリアルタイム遠隔操作を実現するフレームワークである。
我々は、これらの洗練された動きを用いてシミュレーションで頑健なリアルタイムヒューマノイド運動模倣機を訓練し、実ヒューマノイドロボットにゼロショットで転送する。
私たちの知る限りでは、学習に基づくリアルタイムな人型ロボット遠隔操作を実現する最初のデモとなる。
論文 参考訳（メタデータ） (2024-03-07T12:10:41Z) - Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。
まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。
次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
論文 参考訳（メタデータ） (2023-10-06T20:48:43Z)
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。