論文の概要: Learning Scene-Aware Humanoid Locomotion through 3D Clutter from Immersive Human Demonstrations

• arxiv url: http://arxiv.org/abs/2609.21107v1
• Date: Thu, 17 Sep 2026 21:47:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.784656
• Title: Learning Scene-Aware Humanoid Locomotion through 3D Clutter from Immersive Human Demonstrations
• Title（参考訳）: 没入型ヒューマン・デモから3次元クラッタによるシーン認識型ヒューマノイド・ロコモーションの学習
• Abstract要約: through Clutter (MTC) は,シーン認識型ヒューマノイド移動のための学習支援フレームワークである。 MTCは、手続き的に生成されたバーチャルリアリティ環境を使用して没入型データ収集を行い、高価な物理的シーン構成をバイパスする。 MTCは、低クリアランスパスをクロールしたり、狭い隙間をスクイーズしたり、様々なボディスキルを通じて複雑な環境を横断することに成功した。
• 参考スコア（独自算出の注目度）: 12.666370295001066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While learning from human motions has enabled highly dynamic humanoid skills such as dancing and martial arts in obstacle-free space, traversal through densely cluttered environments remains underexplored. These spaces are three-dimensional and geometrically constrained, requiring scene-aware locomotion that tightly couples whole-body motion with scene geometry for obstacle avoidance. To address these challenges, we present Moving Through Clutter (MTC), a learning-from-demonstration framework for scene-aware humanoid locomotion. To bypass costly physical scene construction, MTC uses procedurally generated Virtual Reality environments for immersive data collection. To transform these human motions into training-ready humanoid motions, we propose a scene-aware motion retargeting algorithm that converts human demonstrations into humanoid trajectories while strictly enforcing robot-scene clearance to guarantee collision-free traversal. These reference trajectories are then used to train a scene-aware locomotion policy that deploys on a Unitree G1 humanoid. Evaluated on our proposed MTC-Challenge for multi-obstacle traversal, the policy demonstrates a 70.2% collision-free rate across diverse scenarios, successfully traversing complex environments through diverse whole-body skills, including crawling through low-clearance passages and squeezing through narrow gaps.
• Abstract（参考訳）: 人間の動きから学ぶことで、障害物のない空間でのダンスや武術のような非常にダイナミックなヒューマノイドのスキルがもたらされる一方で、密集した乱雑な環境を通り抜けるトラバースはいまだ探索されていない。 これらの空間は3次元かつ幾何学的に制約され、障害物回避のためのシーン幾何学と全身の動きを密に結合するシーン認識ロコモーションを必要とする。 これらの課題に対処するため,シーン認識型ヒューマノイド移動のための学習支援フレームワークであるMTCを紹介した。 コストのかかる物理的シーン構築を回避するため、MSCは手続き的に生成されたバーチャルリアリティ環境を用いて没入型データ収集を行う。 人間の動作をトレーニング可能なヒューマノイド運動に変換するために,人間の動作をヒューマノイド軌道に変換するシーン認識型モーションリターゲティングアルゴリズムを提案する。 これらの参照軌道は、ユニツリーG1ヒューマノイド上に展開するシーン対応の移動ポリシーのトレーニングに使用される。 提案したMTC-Challengeを多障害物トラバーサルとして評価し, 多様なシナリオにまたがって70.2%の衝突のない速度を示し, 低クリアランスパスをクロールし, 狭い隙間を探索するなど, 多様なボディスキルを通じて複雑な環境を横断することに成功した。

関連論文リスト

• TANGO: Humanoid Navigation in Cluttered Environments with a Whole-Body Vision-Language-Action Model [49.03909082056646]
  人型ロボットを用いて, 乱雑な室内環境をナビゲートする問題について検討した。 本稿では,最初の全身視覚言語ナビゲーションフレームワークであるTANGOを紹介する。 シミュレーション実験では、タンゴは視覚言語ナビゲーションにおける最先端の性能を実証した。
  論文  参考訳（メタデータ） (2026-09-08T17:59:55Z)
• Moving Through Clutter: Scaling Data Collection and Benchmarking for 3D Scene-Aware Humanoid Locomotion via Virtual Reality [8.649513677221037]
  乱雑な環境下でのシーン認識型ヒューマノイド移動のためのフレームワークであるTruise Through Clutterを提示する。 我々のシステムは、制御可能なクラッタレベルを持つシーンを手続き的に生成し、エンボディに一貫性のある、全身の人間の動きをキャプチャする。 このフレームワークを用いて、145の多様な3次元乱れシーンに348のトラジェクトリのデータセットをコンパイルする。
  論文  参考訳（メタデータ） (2026-03-06T07:54:01Z)
• EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents [85.77432303199176]
  EmbodMocapは2つの動くiPhoneを使ったポータブルで安価なデータ収集パイプラインである。 私たちのキーとなるアイデアは、二重RGB-Dシーケンスを共同で校正し、人間とシーンの両方を再構築することです。 収集したデータに基づいて、我々は3つの具体的AIタスクを強化した: モノクラーヒューマン・シーン・リコンストラクション(モノクラーヒューマン・シーン・リコンストラクション)、メトリックスケールで世界空間に整合した人間とシーンを出力するフィードフォワードモデル、物理ベースのキャラクターアニメーション。
  論文  参考訳（メタデータ） (2026-02-26T16:53:41Z)
• Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
  本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。 本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。 我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2026-02-17T18:59:11Z)
• 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)
• Collision-Free Humanoid Traversal in Cluttered Indoor Scenes [15.479452378419778]
  衝突のない運動方向としてヒューマノイドと障害物の関係を符号化するヒューマノイド電位場(HumanoidPF)を提案する。 また,リアルな3次元屋内シーンと手続き的に合成された障害物を組み込んだハイブリッドシーン生成手法を提案する。 我々は、ユーザーがワンクリックで、散らばった屋内シーンでヒューマノイドに移動を指示できる遠隔操作システムを開発した。
  論文  参考訳（メタデータ） (2026-01-22T15:08:53Z)
• Learning Multi-Modal Whole-Body Control for Real-World Humanoid Robots [13.229028132036321]
  Masked Humanoid Controller (MHC)は、立位、歩行、体の一部の動きの模倣をサポートする。 MHCは、立ち上がり、歩行、最適化された基準軌跡、再ターゲットされたビデオクリップ、人間のモーションキャプチャーデータにまたがる行動のライブラリから、部分的にマスクされた動きを模倣する。 実世界のDigi V3ヒューマノイドロボット上でのシミュレート・トゥ・リアルトランスファーを実演する。
  論文  参考訳（メタデータ） (2024-07-30T09:10:24Z)
• Revisit Human-Scene Interaction via Space Occupancy [55.67657438543008]
  HSI(Human-Scene Interaction)の生成は、さまざまな下流タスクに不可欠な課題である。 本研究では,シーンとのインタラクションが,抽象的な物理的視点からシーンの空間占有と本質的に相互作用していることを論じる。 純粋な動きシーケンスを、見えないシーン占有と相互作用する人間の記録として扱うことで、動きのみのデータを大規模にペア化された人間-占有相互作用データベースに集約することができる。
  論文  参考訳（メタデータ） (2023-12-05T12:03:00Z)
• Synthesizing Diverse Human Motions in 3D Indoor Scenes [16.948649870341782]
  そこで本研究では,仮想人間による3次元屋内シーンの映像化手法を提案する。 既存のアプローチは、キャプチャーされた人間の動きと、それらが相互作用する3Dシーンを含むトレーニングシーケンスに依存している。 仮想人間が3Dシーンをナビゲートし、現実的かつ自律的にオブジェクトと対話できる強化学習ベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-21T09:22:24Z)

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。