論文の概要: Learning Distance-Conditioned Object Transport for Humanoid Loco-Manipulation from a Single Motion Clip
- arxiv url: http://arxiv.org/abs/2609.21467v1
- Date: Fri, 18 Sep 2026 08:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.930782
- Title: Learning Distance-Conditioned Object Transport for Humanoid Loco-Manipulation from a Single Motion Clip
- Title（参考訳）: シングルモーションクリップを用いたヒューマノイドロコマニピュレーションのための距離制約物体移動の学習
- Abstract要約: モーショントラッキングは、単一のリターゲットされたモーションクリップからヒューマノイドのロコ操作を再現することができる。
しかし、固定参照に基づいて訓練されたポリシーは、主に、その実証された輸送結果を再現する。
本稿では, 実演終了区間を中間輸送状態に移動させるDCRR(Distance-Conditioned Reference Recomposition)を導入する。
- 参考スコア（独自算出の注目度）: 2.658805223524741
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion tracking can reproduce humanoid loco-manipulation from a single retargeted motion clip, but a policy trained on a fixed reference primarily reproduces its demonstrated transport outcome. Although the source trajectory visits intermediate object displacements, transport termination is demonstrated only at its endpoint. We identify this mismatch as the termination-versus-passage gap: intermediate displacements are observed as passage states rather than termination-complete outcomes. We introduce Distance-Conditioned Reference Recomposition (DCRR), which relocates the demonstrated termination segment to intermediate transport states. A frozen tracking teacher replays the recomposed references under closed-loop dynamics, and the retained trajectories are relabeled by their achieved object placements and distilled into a reference-free policy. This procedure constructs distance-conditioned supervision from the interaction behavior encoded in the source motion. Across Carry, Kick-Push, Crouch-Push, and Drag, DCRR-BC produces command-dependent transport with an overall normalized distance mean absolute error (MAE) of 0.15, compared with 0.28 for source-only behavior cloning. RL fine-tuning further improves the command response and execution robustness in the training simulator and under sim-to-sim transfer. Finally, hardware experiments demonstrate transport-distance modulation across all four interaction modes.
- Abstract（参考訳）: モーショントラッキングは、単一のリターゲットされたモーションクリップからヒューマノイドのロコ操作を再現することができるが、固定基準に基づいて訓練されたポリシーは、その実証された輸送結果を主に再現する。
ソース軌道は中間物体の変位を観測するが、輸送終端は終端のみに示される。
我々は,このミスマッチを終端対通過ギャップとみなし,中間変位は終端完全結果ではなく通過状態として観察される。
本稿では, 実演終了区間を中間輸送状態に移動させるDCRR(Distance-Conditioned Reference Recomposition)を提案する。
凍結追跡教師は、クローズドループ力学の下で再合成された参照を再生し、保持された軌跡は、達成されたオブジェクト配置によって許容され、参照フリーポリシーに蒸留される。
この手順は、震源運動に符号化された相互作用行動から距離条件付き監視を構築する。
Carry、Kick-Push、Crouch-Push、Dragの他、DCRR-BCは、ソースのみの動作クローニングでは0.28に比べて、全体の正規化距離平均絶対誤差(MAE)が0.15であるコマンド依存のトランスポートを生成する。
RLファインチューニングは、トレーニングシミュレータとsim-to-sim転送下でのコマンド応答と実行の堅牢性をさらに改善する。
最後に、ハードウェア実験は、すべての4つの相互作用モードにおけるトランスポート-距離変調を実証する。
関連論文リスト
- MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images [0.2864713389096699]
我々は、補助信号による監視を付加する動き一貫性機構のファミリーであるMC-DeTraをリリースする。
MC-DeTraは、動的で社会的に割り振られた軌道予測を改善し、検出精度を向上する。
私たちはhttps://github.com/diuzhevVlad/MC-DeTra.comでコード、設定、評価ツールをリリースします。
論文 参考訳（メタデータ） (2026-09-10T15:34:09Z) - Task-Relevant Feature-Dynamics Fidelity Enables Zero-Shot Sim-to-Real Transfer for Robotic Ultrasound Scanning [58.25007580703646]
我々は,共有構造中間領域,軌道レベルの固定雑音,数ステップの条件流生成を組み合わせたTR指向超音波シミュレータを開発した。
ファントム実験では、4つの標的機に400発のゼロショット配置のうち390発が成功した。
論文 参考訳（メタデータ） (2026-08-30T02:37:00Z) - GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。
純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。
自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
論文 参考訳（メタデータ） (2026-08-18T18:21:36Z) - Real-time Whole-Body Motion Planning for Mobile Manipulators Carrying Arbitrarily Shaped Payloads via Kinematically-Coupled SVSDF [15.284805246845197]
本文は、任意の形状のペイロードを運ぶ移動マニピュレータのためのリアルタイムな全身運動フレームワークを提示する。
提案するフレームワークは, 狭い通路や乱雑な環境を通じて, 大型で非駆動ペイロードを確実に輸送する。
論文 参考訳（メタデータ） (2026-08-07T09:20:31Z) - DLAM: Distributional Latent Actions with Temporal Constraints [25.743937994244902]
本稿では,各遷移を対角ガウスとして表現する分布潜在作用モデルであるDLAMを紹介する。
下流のポリシー学習では、エンコーダを凍結し、フローマッチングポリシーをトレーニングし、平均遷移シーケンスとロボットアクションを共同で生成する。
ホールドアウト遷移では、DLAMは既存の潜在動作ベースラインよりも時間的に一貫した潜伏ダイナミクスを学習し、ホールドアウトビデオ上でより強い直接的および累積的再構成を実現する。
論文 参考訳（メタデータ） (2026-07-29T17:09:48Z) - Unified Walking, Running, and Recovery for Humanoids via State-Dependent Adversarial Motion Priors [6.995416877684324]
本研究では,Unitree G1ヒューマノイドロボットの歩行,ランニング,転倒回復を単一ポリシーで行うための統合強化学習フレームワークを提案する。
このフレームワークは、従来のグローバルな参照分布を状態依存ゲートに置き換えることで、Adrial Motion Priors (AMP)を拡張する。
単一の凍結されたONNXポリシーは、実行時モードロジックなしで50,Hzで実行される。
論文 参考訳（メタデータ） (2026-05-18T16:21:57Z) - SCDP: Learning Humanoid Locomotion from Partial Observations via Mixed-Observation Distillation [3.149420237200927]
本稿では,センサのみを用いたヒューマノイド移動を可能にするセンサ・コンディション・ディフュージョン・ポリシー(SCDP)を提案する。
SCDPは、混合観測訓練による監視からのセンシングを分離する。
速度制御された移動と運動基準追跡タスクにおけるSCDPの有効性を検証した。
論文 参考訳（メタデータ） (2026-03-10T12:21:11Z) - C-Drag: Chain-of-Thought Driven Motion Controller for Video Generation [81.4106601222722]
トラジェクティブに基づくモーションコントロールは、制御可能なビデオ生成のための直感的で効率的なアプローチとして登場した。
我々はC-Dragという制御可能なビデオ生成のためのチェーン・オブ・ソート型モーションコントローラを提案する。
本手法は,物体認識モジュールとChain-of-Thoughtベースの動作推論モジュールを含む。
論文 参考訳（メタデータ） (2025-02-27T08:21:03Z) - Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。
既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。
我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
論文 参考訳（メタデータ） (2024-12-11T06:35:18Z) - 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。