論文の概要: PRIMO: Prior-Informed Odometry from Human-Motion Tracking for Humanoid Robots

• arxiv url: http://arxiv.org/abs/2609.23610v1
• Date: Sun, 20 Sep 2026 12:52:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:32:27.064277
• Title: PRIMO: Prior-Informed Odometry from Human-Motion Tracking for Humanoid Robots
• Title（参考訳）: PRIMO:ヒューマノイドロボットのための人体運動追跡からの事前インフォームドオドメトリー
• Abstract要約: 我々はPRIMO(Human-Motion Tracking)を用いた先行インフォームドオドメトリーを提案する。 データ側では、シミュレーションにおいて、ヒューマノイドが多種多様なリターゲットされた人間の動きをトラックすることで、オードメトリの監督を生成する。 モデル側では、プリエントインフォームド推定器は物理および対称性インフォームド事前を用いて構造速度と回転予測を行う。
• 参考スコア（独自算出の注目度）: 8.998761043683949
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-trained humanoid proprioceptive odometry faces two transfer challenges: training trajectories generated by specific robot control policies intended for deployment cover only a limited range of motions, while sim-to-real mismatch can make unconstrained predictions unreliable. We address both with Prior-Informed Odometry from Human-Motion Tracking (PRIMO). On the data side, we generate odometry supervision by having the humanoid track diverse retargeted human motions in simulation, decoupling supervision from the deployment policies and broadening the training motion distribution. On the model side, a Prior-Informed estimator uses physics- and symmetry-informed priors to structure velocity and rotation prediction and a coarse raw-context pathway to preserve sensor context alongside encoded features, thereby strengthening sim-to-real generalization. Under a unified real-robot protocol, PRIMO reduces mean error by 31.6%-61.7% relative to the strongest evaluated external baseline in each domain-metric comparison. Across two locomotion-policy revisions, policy specialists exhibit symmetric crossover, whereas Tracking-Locomotion training reduces mean opposite-policy simulation error by 86.8%-94.6%. On real dynamic motion, Tracking-Locomotion training reduces mean error by 69.2%-81.7% relative to training on the union of both deployment policies. Across the tested motion compositions, the Prior-Informed estimator consistently lowers mean trajectory errors relative to its Unconstrained counterpart in both simulation and real-robot evaluation. Code is available at https://github.com/Agibot-Spatial-Intelligence/PRIMO.
• Abstract（参考訳）: シミュレーション訓練されたヒューマノイド受容性眼球運動は、2つの移行課題に直面している: 特定のロボット制御ポリシーによって生成された訓練軌道は、限られた範囲の動作しかカバーしない。 本研究はPRIMO(Presideed-Informed Odometry from Human-Motion Tracking)を用いて検討した。 データ側では、シミュレーションにおいて、ヒューマノイドが多種多様な人間の動きをトラックし、配置方針から監督を分離し、トレーニング動作分布を広げることで、計測監督を生成する。 モデル側では、事前インフォームド推定器は、構造速度と回転予測に物理および対称性インフォームドプリエントを使用し、粗い生コンテキスト経路を用いて、センサーコンテキストを符号化された特徴とともに保存し、sim-to-realの一般化を強化する。 統合された実ロボットプロトコルの下で、PRIMOは平均誤差を31.6%-61.7%削減する。 2つのロコモーション・ポリティクスの改訂の中で、政策専門家は対称的なクロスオーバーを示す一方、追跡・ロコモーショントレーニングは平均的対極のシミュレーション誤差を86.8%-94.6%削減する。 実際のダイナミックモーションでは、トラッキング-ロコモーショントレーニングは、両方のデプロイメントポリシーの統一に関するトレーニングと比較して平均エラーを69.2%-81.7%削減する。 実験された運動組成全体にわたって、プレインフォームド推定器は、シミュレーションと実ロボット評価の両方において、非制約の相対的な平均軌道誤差を一貫して下げる。 コードはhttps://github.com/Agibot-Spatial-Intelligence/PRIMOで入手できる。

関連論文リスト

• Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation [3.1041072702135213]
  本稿では,マルチデータセット動作をガラクサR1車輪型ヒューマノイドのロコ操作動作に変換するパイプラインを提案する。 ロボットは平面式3輪ベースとシリアル胴体と2本の腕を持つが、脚の関節は持たない。 基準ツイスト駆動の計画層は、平面ベースの動きを連続した3輪ステアリングとローリングコマンドにデコードする。
  論文  参考訳（メタデータ） (2026-09-10T10:40:31Z)
• Enhancing Sim2Real Transfer for Torque-Controlled Robots through Real2Sim Dynamics Estimation and Reinforcement Learning [2.071516130824992]
  シミュレーションから実世界ロボットへの強化学習ポリシーの移行は依然として大きな課題である。 トルク制御ロボットアームのSim2Real転送を改善するReal2Sim2Realパイプラインを提案する。 この研究は、安定かつ一般化可能なトルクベース強化学習ポリシーを実現するための正確な物理モデリングの有効性を強調した。
  論文  参考訳（メタデータ） (2026-08-23T22:25:33Z)
• KinematicRL: A Sim-to-Real Reinforcement Learning Framework For Social Navigation With Kinodynamic Feasibility [27.73146983499444]
  Deep Reinforcement Learning (DRL)はソーシャルナビゲーションを約束しているが、現実のデプロイメントは、永続的なsim-to-realギャップによって妨げられている。 この研究は、これらの制限に対処し、動的に実行可能なナビゲーションポリシーを生成する統一されたフレームワークを提示している。 実世界の環境での実験では、提案された追跡パイプラインと組み合わせることで、KinematicRLを最小限の修正で実微分駆動ロボットにデプロイできることが示されている。
  論文  参考訳（メタデータ） (2026-06-10T13:07:03Z)
• Predictive Style Matching: Natural and Robust Humanoid Locomotion [0.2348805691644085]
  予測スタイルマッチング(Predictive Style Matching)は、ロボットの低体状態履歴と速度コマンドを、上体関節と歩行目標の解釈にマッピングする。 ユニツリーG1では、シミュレーションとハードウェアの両方において、PSMはタスクのみのRLよりも、およそ1桁の精度で上半身スタイルの誤差を低減する。
  論文  参考訳（メタデータ） (2026-06-05T09:21:20Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• One-shot Humanoid Whole-body Motion Learning [18.375746497945023]
  通常、動作カテゴリごとに複数のトレーニングサンプルを必要とする。 本研究では,1つの非歩行目標運動サンプルのみを用いて,効果的なヒューマノイド運動ポリシーを訓練する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-29T07:48:10Z)
• 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)
• 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)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。