論文の概要: RoboSTAR: Next-Scale Autoregressive Sign Language Translation for Humanoid Robots

• arxiv url: http://arxiv.org/abs/2609.32250v1
• Date: Sat, 26 Sep 2026 05:12:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 18:29:34.165763
• Title: RoboSTAR: Next-Scale Autoregressive Sign Language Translation for Humanoid Robots
• Title（参考訳）: RoboSTAR:ヒューマノイドロボットのための次世代自動回帰手話翻訳
• Abstract要約: 人中心手話を生成するためのテキスト条件手話生成フレームワークであるRoBoSTARを提案する。 RoBoSTARは、部分ワイドのFinite Scalar量子化と次のスケールのオートレグレッションを組み合わせることで、徐々に微細な時間分解能に対する動きを生成する。 生成された動きはその後、物理的なヒューマノイド実行のために再ターゲティングされる。
• 参考スコア（独自算出の注目度）: 47.97637333215298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sign-language interpretation in public communication relies on qualified professional interpreters and can be difficult to scale, motivating robotic signing as a complementary accessibility interface. We present RoBoSTAR, a text-conditioned sign language production (SLP) framework for generating human-centric sign motion that can be retargeted for robotic execution, with speech supported optionally through an external ASR front end. Conventional autoregressive approaches flatten motion into a single full-resolution token sequence, forcing long-range and local dependencies to be modeled at a uniform temporal granularity. RoBoSTAR instead combines part-wise Finite Scalar Quantization with next-scale autoregression, generating motion over progressively finer temporal resolutions while predicting synchronized body and hand tokens in parallel within each step. This coarse-to-fine formulation provides compact long-range context before progressively refining motion details, while self-conditioning and context corruption improve robustness to cross-scale prediction errors. The generated motion is subsequently retargeted for physical humanoid execution. Extensive qualitative and quantitative evaluations are conducted to demonstrate the effectiveness of RoBoSTAR.
• Abstract（参考訳）: 公開コミュニケーションにおける手話解釈は、資格のあるプロの通訳に依存しており、拡張が困難であり、補完的なアクセシビリティインタフェースとしてロボット署名を動機付けている。 本稿では,テキスト条件付き手話生成(SLP)フレームワークであるRoBoSTARを提案する。 従来の自己回帰は平らな動きを1つのフルレゾリューショントークンシーケンスにアプローチすることで、長距離および局所的な依存関係を一様の時間的粒度でモデル化せざるを得ない。 代わりにRoBoSTARは、部分ワイドのFinite Scalar量子化と次のスケールのオートレグレッションを組み合わせることで、各ステップ内で同期されたボディとハンドトークンを並列に予測しながら、徐々に微妙な時間分解の動作を生成する。 この粗大で微細な定式化は、動きの詳細を徐々に洗練する前に、コンパクトな長距離コンテキストを提供する。 生成された動きはその後、物理的なヒューマノイド実行のために再ターゲティングされる。 RoBoSTARの有効性を示すために, 大規模定性的および定量的評価を行った。

関連論文リスト

• SignRR: Retrieve and Refine Real Motion for Sign Language Production [1.0332950685403934]
  本稿では,実際の検索動作から始まり,それをグローバルなコヒーレントな署名シーケンスへと洗練するパラダイムであるrequire-and-refineを提案する。 我々のフレームワークであるSignRRは、実符号セグメントの辞書からの動作を初期化し、部分認識された残差VQ-VAEで全シーケンスを洗練する。
  論文  参考訳（メタデータ） (2026-08-28T17:45:14Z)
• SCRIPT: Scalable Diffusion Policy with Multi-stage Training for Language-driven Physics-based Humanoid Control [72.5651722107621]
  SCRIPTは、言語駆動の物理に基づくヒューマノイド制御のための多段階トレーニングフレームワークを備えたスケーラブルな拡散ポリシーである。 SCRIPTの中核はJAST-DiT(Joint Action-State-Text Diffusion Transformer)であり、アクション、物理状態、テキストを専用トークンストリームとして表現している。 自己回帰制御を安定させるために,近年の密集した文脈を保存し,長期的歴史から疎開したサンプルを抽出する非線形履歴条件付け機構を導入する。
  論文  参考訳（メタデータ） (2026-05-21T14:17:21Z)
• SignSparK: Efficient Multilingual Sign Language Production via Sparse Keyframe Learning [54.232148007248874]
  現在の手話生産(SLP)フレームワークは、まさにトレードオフに直面している。 本研究では,スペースを利用した新たなトレーニングパラダイムを提案し,人間の署名の真の基盤となる分布を捉える。 これらの離散的なアンカーから高密度な動きを予測することにより、流体の調音を確実にしながら、回帰から平均への移動を緩和する。
  論文  参考訳（メタデータ） (2026-03-11T06:02:36Z)
• Generative Scenario Rollouts for End-to-End Autonomous Driving [58.99809446189301]
  VLA(Vision-Language-Action)モデルは、エンドツーエンドの自動運転システムの高効率な計画モデルとして登場している。 本稿では,VLAモデルのためのプラグイン・アンド・プレイフレームワークであるGenerative Scenario Rollouts (GeRo)を提案する。
  論文  参考訳（メタデータ） (2026-01-16T17:59:28Z)

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。