論文の概要: CHOREO: Every Humanoid Skill as a Trajectory

• arxiv url: http://arxiv.org/abs/2609.22274v1
• Date: Fri, 11 Sep 2026 06:39:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 14:38:09.626206
• Title: CHOREO: Every Humanoid Skill as a Trajectory
• Title（参考訳）: CHOREO: すべてのヒューマノイドスキルを軌道として
• Abstract要約: 異種ヒューマノイドスキルの無訓練構成のためのフレームワークであるCHOREOについて述べる。 CHOREOは、各機能をSkillMotionに変換する。これは、モーション状態、コンタクト、セマンティクス、境界条件を組み合わせた統一表現である。 MuJoCoのUnitree G1では、CHOREOは2,950のSkillMotion資産を編成し、130のマルチアクションタスクで95.4%のシーケンス成功を達成した。
• 参考スコア（独自算出の注目度）: 21.736996791663625
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in humanoid robotics have produced diverse skills through reinforcement learning, motion imitation, and generative modeling. Yet these capabilities remain siloed because they are built around incompatible representations, interfaces, and controllers. We present CHOREO, a framework for training-free composition of heterogeneous humanoid skills. Our key observation is that, regardless of how a skill is learned, it can ultimately be expressed as an executable motion trajectory. Based on this observation, CHOREO converts each capability into SkillMotion, a unified representation that combines motion states, contacts, semantics, and boundary conditions. Skills are composed through direct continuation, cubic Hermite blending, or validated bridge motions, without retraining source models or updating models at test time. On Unitree G1 in MuJoCo, CHOREO organizes 2,950 admitted SkillMotion assets derived from heterogeneous sources and achieves 95.4\% sequence success across 130 multi-action tasks, including 93.8\% success on eight-action sequences. These results demonstrate that executable trajectories provide a scalable interface for accumulating and composing pretrained humanoid capabilities.
• Abstract（参考訳）: 近年のヒューマノイドロボティクスの進歩は、強化学習、運動模倣、生成モデリングを通じて多様なスキルを生み出している。 しかし、これらの機能は互換性のない表現、インターフェース、コントローラを中心に構築されているため、サイロ化され続けている。 異種ヒューマノイドスキルの無訓練構成のためのフレームワークであるCHOREOについて述べる。 私たちのキーとなる観察は、スキルがどのように学習されたかに関わらず、最終的に実行可能な運動軌跡として表現できるということです。 この観測に基づいて、CHOREOは各機能をSkillMotionに変換する。 スキルは直接継続、立方体ハーマイトブレンディング、または検証されたブリッジモーションによって構成され、ソースモデルの再トレーニングやテスト時のモデルの更新は行わない。 MuJoCo の Unitree G1 では、CHOREO は異種由来のSkillMotion 資産2,950 を編成し、130 のマルチアクションタスクで95.4 % のシーケンス成功を達成している。 これらの結果から、実行可能な軌道は、事前訓練されたヒューマノイド能力を蓄積し構成するためのスケーラブルなインタフェースを提供することが示された。

関連論文リスト

• Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
  Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。 主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。 ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
  論文  参考訳（メタデータ） (2026-09-18T09:06:15Z)
• Switch: Learning Agile Skills Switching for Humanoid Robots [62.14433450799811]
  階層的なマルチスキルシステムであるSwitchを導入し、いつでもシームレスなスキル移行を可能にします。 提案手法は,(1)マルチスキル動作データ内の運動の類似性に基づいて,潜在的なクロススキル遷移を確立するスキルグラフ,(2)深い強化学習を通じて,このスキルグラフ上で訓練された全身追跡ポリシー,(3)堅牢なスキル実行とスムーズな移行のためのトラッキングポリシを駆動するオンラインスキルスケジューラの3つの重要な構成要素から構成される。
  論文  参考訳（メタデータ） (2026-04-16T10:11:28Z)
• Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
  サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。 本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。 ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
  論文  参考訳（メタデータ） (2026-02-05T05:05:03Z)
• HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
  我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。 HumanXは、従来の方法より8倍高い一般化成功を達成する。
  論文  参考訳（メタデータ） (2026-02-02T18:53:01Z)
• ZEST: Zero-shot Embodied Skill Transfer for Athletic Robot Control [37.4764082674475]
  本稿では,多種多様な情報源からの強化学習を通じて政策を訓練する動きの合理化フレームワークであるZESTを紹介する。 ZESTは、連絡先ラベル、参照または観察ウィンドウ、状態推定器、広範囲な報酬形成を避けながら、行動やプラットフォームをまたいで一般化する。 ボストン・ダイナミクスのアトラス・ヒューマノイドで、ZESTはモーションキャプチャーからダイナミックでマルチコンタクトのスキル(例えば、陸軍のクロール、ブレイクダンス)を学ぶ。
  論文  参考訳（メタデータ） (2026-01-30T23:35:02Z)
• KungfuBot2: Learning Versatile Motion Skills for Humanoid Whole-Body Control [30.738592041595933]
  ヒューマノイドロボットが単一ポリシーで多様な動的動作を学習できる統一された全身制御系VMSを提案する。 我々のフレームワークは、局所的な動きの忠実度とグローバルな軌道の整合性のバランスをとるハイブリッドな追跡目標を統合している。 シミュレーションと実世界の実験の両方においてVMSの特殊化を広範囲に検証し、ダイナミックスキルの正確な模倣、分長シーケンスでの安定した性能、そして目に見えない動作に対する強力な一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-20T11:31:14Z)
• StyleLoco: Generative Adversarial Distillation for Natural Humanoid Robot Locomotion [31.30409161905949]
  StyleLocoは、ヒューマノイドの移動を学ぶための新しいフレームワークである。 強化学習の機敏さと人間のような運動の自然な流動性を組み合わせる。 StyleLocoは、ヒューマノイドロボットが多様な移動作業を行うことを可能にすることを実証する。
  論文  参考訳（メタデータ） (2025-03-19T10:27:44Z)
• C$\cdot$ASE: Learning Conditional Adversarial Skill Embeddings for Physics-based Characters [49.83342243500835]
  C$cdot$ASEは、物理系文字に対する条件付き適応スキル埋め込みを学習する効率的なフレームワークである。 C$cdot$ASEは、不均一なスキルモーションを、低レベル条件モデルのトレーニングのための均質なサンプルを含む別個のサブセットに分割する。 スキル条件の模倣学習は、訓練後のキャラクターのスキルを明確に制御する。
  論文  参考訳（メタデータ） (2023-09-20T14:34:45Z)
• Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
  我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。 未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。 提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-28T16:18:54Z)

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。