論文の概要: Humanoid Badminton: Learning Dynamic Racket Skills from Limited Human Motion Data
- arxiv url: http://arxiv.org/abs/2609.31840v1
- Date: Fri, 25 Sep 2026 18:00:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 05:18:22.502546
- Title: Humanoid Badminton: Learning Dynamic Racket Skills from Limited Human Motion Data
- Title（参考訳）: Humanoid Badminton: 限られた人間の動作データから動的ラケットスキルを学ぶ
- Abstract要約: 高速ラケットスポーツはヒューマノイドロボットに必要なテストベッドを提供する。
動的ヒューマノイドバドミントンのための3段階階層的強化学習フレームワークを提案する。
これは、人間プレイヤーとの持続的なマルチスキル関係を示す最初の実世界のヒューマノイドラケットスポーツシステムである。
- 参考スコア（独自算出の注目度）: 15.758620140761623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-speed racket sports provide a demanding testbed for humanoid robots, requiring time-critical decisions, precise striking, and dynamic whole-body coordination. In badminton, fast-changing shuttle trajectories require timely contact decisions, while successful returns demand precise racket pose and velocity within a brief contact window and across a broad three-dimensional striking workspace. Human motion data provide valuable priors for such athletic skills, but usable badminton references are limited and imperfect. Direct tracking provides insufficient executable variation for diverse shuttle conditions, while purely task-driven optimization may produce unnatural motion. To address these challenges, we present a three-stage hierarchical reinforcement learning framework for dynamic humanoid badminton. First, task-randomized motion augmentation expands sparse annotated hitting events into executable target-conditioned stroke variations, forming a continuous latent skill space. Second, a high-level planner outputs continuous latent skill codes to compose these skills online according to the observed shuttle state. Third, a context-conditioned adversarial regularizer encourages more natural planner-level skill usage while preserving return performance. When deployed on a real humanoid robot, our system achieves sustained multi-skill rallies with human players, including forehand, backhand, and highly dynamic jump returns. This is the first real-world humanoid racket-sport system to demonstrate multi-skill human--robot rallies including highly dynamic jump returns.
- Abstract（参考訳）: 高速ラケットスポーツは、ヒューマノイドロボットに要求されるテストベッドを提供し、時間的決定、正確な打撃、ダイナミックな全身調整を必要とする。
バドミントンでは、急速に変化するシャトル軌道はタイムリーな接触決定を必要とするが、成功には短い接触窓と広い3次元の印象的な作業空間に正確なラケットのポーズと速度が要求される。
人間の動きデータは、そのような運動技術に貴重な先行情報を提供するが、使用可能なバドミントン参照は限定的で不完全なものである。
直接追跡は様々なシャトル条件に対して不十分な実行可能変動をもたらすが、純粋にタスク駆動の最適化は不自然な動きを引き起こす可能性がある。
これらの課題に対処するために、動的ヒューマノイドバドミントンのための3段階階層的強化学習フレームワークを提案する。
まず、タスクランダム化された動き増強は、スパースアノテートされたヒットイベントを、実行可能な目標条件のストローク変動に拡張し、連続的な潜伏スキル空間を形成する。
第2に、高レベルプランナーは、観察されたシャトル状態に応じて、これらのスキルをオンラインで構成するために連続潜伏スキルコードを出力する。
第3に、コンテキスト条件付き逆正則化器は、戻り値のパフォーマンスを保ちながら、より自然なプランナーレベルのスキル使用を促す。
実際のヒューマノイドロボットに配備すると,前手やバックハンド,高度にダイナミックなジャンプリターンを含む,人間の選手と連続したマルチスキルのラリーが達成される。
これは、非常にダイナミックなジャンプリターンを含むマルチスキルな人間ロボットのラリーをデモする、世界初の実世界のヒューマノイドラケットスポーツシステムである。
関連論文リスト
- RPG: Robust Policy Gating for Smooth Multi-Skill Transitions in Humanoid Fighting [52.18271301977709]
我々は,スムーズで安定したヒューマノイド多スキル移行のためのハイブリッド・エキスパート・ポリシー・フレームワークであるRPGを提案する。
本手法では,動き遷移のランダム化と時間的ランダム化を取り入れて,アジャイルな戦闘行動を生成する統一的な政策を訓練する。
我々は、歩行/走る移動と戦闘スキルを統合する制御パイプラインを設計し、人間のような長時間の戦闘を任意の期間で行えるようにした。
論文 参考訳（メタデータ） (2026-04-23T07:14:35Z) - SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。
これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。
そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
論文 参考訳（メタデータ） (2026-04-01T17:11:52Z) - 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) - A Kung Fu Athlete Bot That Can Do It All Day: Highly Dynamic, Balance-Challenging Motion Dataset and Autonomous Fall-Resilient Tracking [5.968082051565195]
武道の特徴は、急激な中心シフト、複雑な調整、急激な姿勢転換である。
KungFuAthleteは、プロアスリートの日々のトレーニングビデオから派生した、ハイダイナミックな武道運動データセットである。
本研究では,高ダイナミックなモーショントラッキングとフォールリカバリを共同で学習できる新しいトレーニングパラダイムを提案する。
論文 参考訳（メタデータ） (2026-02-14T07:49:56Z) - Learning Human-Like Badminton Skills for Humanoid Robots [25.27775061243493]
ロボットを「ミミック」から「ストライカー」に進化させるための進歩的強化学習フレームワークを提案する。
提案手法は,人体データに先立って頑健なモータを確立し,それをコンパクトなモデルベース状態表現に蒸留し,逆方向の先立って動的に安定化する。
シミュレーションでは、リフトやドロップショットを含む多様なスキルの習得を通じて、我々のフレームワークを検証する。
論文 参考訳（メタデータ） (2026-02-09T08:09:52Z) - RoboStriker: Hierarchical Decision-Making for Autonomous Humanoid Boxing [43.240817529539356]
RoboStrikerは、完全に自律的なヒューマノイドボクシングを可能にする階層的な3段階のフレームワークである。
このフレームワークは、まず、人間のモーションキャプチャーデータに基づいてシングルエージェントモーショントラッカーをトレーニングすることにより、ボクシングスキルの包括的なレパートリーを学習する。
最終段階では、Latent-Space Neural Fictitious Self-Play (LS-NFSP)を導入する。
論文 参考訳（メタデータ） (2026-01-30T03:51:58Z) - KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。
動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。
動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。
実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
論文 参考訳（メタデータ） (2025-06-15T13:58:53Z) - Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。
具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。
フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文 参考訳（メタデータ） (2025-02-24T14:53:45Z)
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。