論文の概要: LYRIC: Language-Driven Physics-Based Character Control for Contact-Rich Whole-Body Object Interaction

• arxiv url: http://arxiv.org/abs/2609.19688v2
• Date: Sat, 19 Sep 2026 17:00:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.103628
• Title: LYRIC: Language-Driven Physics-Based Character Control for Contact-Rich Whole-Body Object Interaction
• Title（参考訳）: LYRIC:接触リッチ全体オブジェクトインタラクションのための言語駆動物理に基づく文字制御
• Abstract要約: LYRICは、言語駆動の物理に基づくコンタクトリッチインタラクション制御のための生成フローマッチングコントローラである。 単一のトラッキングポリシーは、幾何学的条件付き相互作用報酬と手動物体接触近傍の緩和された参照追跡を用いて訓練される。 LIRICは最強のキネマティックプランナーベースラインの74.2%に比べて90.3%のタスク成功率を示した。
• 参考スコア（独自算出の注目度）: 43.54194546706035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present LYRIC, a generative flow-matching controller for language-driven physics-based contact-rich interaction control, that enables simulated characters to perform contact-rich whole-body object interactions from a free-form language instruction and a sparse terminal object goal. To obtain reliable expert trajectories from imperfect motion-capture references, a single tracking policy is trained using geometry-conditioned interaction rewards and relaxed reference tracking near hand-object contact. To guide interaction progress without prescribing a full-body kinematic reference, we factorize the controller into a task-level planner that predicts short-horizon object and humanoid-root trajectories, and an action generator that resolves whole-body motion and contacts in closed loop. After behavior cloning, we freeze the planner and post-tune the action generator on policy using the planner's predictions as stable supervision for intermediate task progression. In a controlled OMOMO evaluation, our tracker achieves 64.3% success compared with 53.2% for an InterMimic reimplementation, while a unified policy achieves 76.5% on the full OMOMO dataset. On the held-out split, LYRIC achieves 90.3% task success, compared with 74.2% for the strongest matched kinematic-planner baseline, with better semantic alignment and motion quality. Without retraining, the controller also supports test-time object-waypoint guidance. Qualitative results further demonstrate robust, natural contact-rich interactions and zero-shot transfer to novel object shapes. The webpage is available at https://neu-vi.github.io/LYRIC/
• Abstract（参考訳）: 本稿では,言語駆動物理に基づく接触リッチインタラクション制御のためのジェネレーティブフローマッチング制御であるLYRICについて述べる。 不完全なモーションキャプチャー基準から信頼性の高い専門家軌道を得るために、幾何学的条件の相互作用報酬と手動物体接触近傍の緩和された参照追跡を用いて単一のトラッキングポリシーを訓練する。 本研究では,全体運動基準を規定せずに対話の進行を導くために,短期水平物体とヒューマノイドルート軌道を予測するタスクレベルプランナと,閉ループ内における全身運動と接触を解決するアクションジェネレータに分解する。 動作の停止後、プランナーを凍結し、中間タスク進行の安定的な監視として、プランナーの予測を用いてポリシー上のアクションジェネレータをチューニングする。 制御されたOMOMO評価では、トラッカーは、InterMimicの再実装の53.2%と比較して64.3%成功し、統一されたポリシーはOMOMOデータセット全体の76.5%を達成する。 保持された分割では、LYRICは90.3%のタスク成功を達成し、74.2%は最も強いマッチしたキネマティック・プランナーベースラインであり、セマンティックアライメントとモーションクオリティが向上した。 再トレーニングなしでは、コントローラはテストタイムのオブジェクト-ウェイポイントガイダンスもサポートする。 定性的結果は、より堅牢で自然な接触リッチな相互作用とゼロショットを新しい物体の形に伝達することを示す。 Webページはhttps://neu-vi.github.io/LYRIC/で公開されている。

関連論文リスト

• WorldContact: A Contact-Centric World Model for Scalable Robot Learning [63.61204799366772]
  WorldContactは、変形可能なオブジェクト操作のための接触中心の世界モデルである。 原数値シミュレータよりも大きな時間ステップを用いてオブジェクトのダイナミクスを予測する。 1つのH100 GPUのステートロールアウト測定は、ソースシミュレータよりも10倍のスピードアップを示している。
  論文  参考訳（メタデータ） (2026-09-17T02:27:32Z)
• Language-Guided Terrain-Adaptive Neural MPC for Autonomous Traversal of Articulated Tracked Robots [8.853718687352151]
  都市での捜索と救助では、追跡されたロボットは構造的だが接触に富んだ環境を横切る必要がある。 本稿では,言語誘導型ニューラルキネマティクスモデル予測制御フレームワークであるASTRIL-MPCを提案する。 その結果、地形条件付きニューラルキネマティクス、最適化ベースの計画、言語誘導型適応を組み合わせることで、音声追従型ロボットにおけるデータ効率とロバストな自律性が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-09-11T17:17:52Z)
• DreamTrajectory: Trajectory-Guided Action Generation with World Model Alignment for Mobile Manipulation [33.046851310859495]
  本稿では,DreamTrajectoryについて述べる。 MS-HABでは、軌道誘導は平均的な成功率を32.3%から47.5%に引き上げ、テストタイムの改善を54.8%に引き上げている。 3つの実世界のモバイル操作タスクにおいて、対応する平均成功率は63.3%、81.7%、90.0%である。
  論文  参考訳（メタデータ） (2026-08-02T17:02:48Z)
• An Intelligent-Cloud Edge Multimodal Interaction System for Robots [4.1212219465063304]
  本稿では,拡張YOLOに基づくジェスチャー検出と,協調型大言語モデル(LLM)と視覚言語モデル(VLM)エージェントを統合したクラウドエッジマルチモーダルインタラクションフレームワークを提案する。 クラウド層はジェスチャー検出、シーン理解、マルチモーダル融合、アクション計画を実行する一方、TonyPiロボットはデータ取得、通信、アクション実行、フィードバックをローカルに処理する。
  論文  参考訳（メタデータ） (2026-07-16T07:39:18Z)
• DCGrasp: Distance-aware Controllable Grasp Generation [64.30284326160826]
  我々は,新しいグリップエネルギー項に基づく制御可能なグリップ生成システムDCGraspを提案する。 この用語は、各ハンドから最も近いオブジェクトポイントまでの符号付き距離である距離プロファイルを計算する。 実験の結果,DCGraspはフレキシブルなユーザ制御により,高品質で物理的に妥当なグリップを生成することがわかった。
  論文  参考訳（メタデータ） (2026-06-29T08:02:02Z)
• TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation [32.317349412479885]
  人手オブジェクトのデモは、参照トラッキングを通じて、デクスタラスラーニング(RL)ポリシーをトレーニングするための高密度な参照動作を提供する。 このような実演をRL政策学習に利用するためには、強化は手ポーズとタスク関連手オブジェクト接触構造を保たなければならない。 TopoRetargetは、さまざまな条件にまたがって単一のパラメータセットを使用するインタラクション保存フレームワークである。 TopoRetargetは、ContactPoseデータセット上のすべてのベースラインに対して、最高のコンタクト精度とアライメントを達成する。
  論文  参考訳（メタデータ） (2026-06-15T06:20:46Z)
• Interactive Tracking: A Human-in-the-Loop Paradigm with Memory-Augmented Adaptation [60.96010213186819]
  自然言語コマンドを使用していつでもトラッカーをガイドできる新しいパラダイムであるInteractive Trackingを導入する。 対話型トラッキングのための最初の大規模ベンチマークであるInteractTrackについて紹介する。 第3に,ユーザからのフィードバックから学習し,トラッキング動作を更新するために動的メモリ機構を利用する新しいベースラインであるInteractive Memory-Augmented Tracking (IMAT)を導入する。
  論文  参考訳（メタデータ） (2026-04-02T12:33:27Z)
• OmniVTA: Visuo-Tactile World Modeling for Contact-Rich Robotic Manipulation [57.133721026727706]
  textbfOmniViTacは,16ドルのタスクと100ドル以上のオブジェクトからなる21,000ドル以上のトラジェクトリからなる大規模ビズオタクティルアクションデータセットである。 我々は4つの密結合モジュールを統合する世界モデルベースのビジュオ触覚操作フレームワークである textbf OmniVTA を提案する。
  論文  参考訳（メタデータ） (2026-03-19T17:52:42Z)

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。