論文の概要: WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2609.34199v1
• Date: Mon, 28 Sep 2026 03:11:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:25.935974
• Title: WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation
• Title（参考訳）: WB-WAM:Humanoid Loco-Manipulationのための異種体ハンドプレトレーニング
• Abstract要約: 本稿では,WB-WAMについて述べる。WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAMの3つを紹介する。 共有された物理アクション空間は、異種ソースからの体、根、および異種手アノテーションを統合し、共同ビデオとアクション学習を可能にする。 我々はHumanoidArenaで81.9%の強い全身タスク性能を示し、実際の実験では5つのタスクで84.0%の成功率でWB-WAMを検証する。
• 参考スコア（独自算出の注目度）: 32.271468688766916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid loco-manipulation demands coordinated body and hand behavior, while conventional robot pre-training data provide limited coverage of such whole-body motion. We present WB-WAM, a World Action Model that incorporates explicit whole-body action supervision into generative video pre-training. A shared physical action space integrates body, root, and dexterous hand annotations from heterogeneous sources, enabling joint video and action learning from 1880.2 hours of partially annotated video and motion data. The resulting priors are refined through PICO mid-training and adapted to robot tasks with auxiliary forward kinematics supervision. We construct WB-Datasets to support these stages with retargeted egocentric human demonstrations and robot trajectories, allowing task-aligned human motion to supplement limited robot data. Evaluations in simulation demonstrate strong whole-body task performance with 81.9% in HumanoidArena, while real-world experiments further validate WB-WAM with 84.0% mean success across five tasks. Moreover, task-aligned PICO mid-training improves downstream task performance while reducing the need for real-robot demonstrations. These results support heterogeneous whole-body pre-training and human motion transfer as a practical route to data-efficient humanoid loco-manipulation.
• Abstract（参考訳）: ヒューマノイド・ロコ・マニピュレーションは身体と手の動きの協調を要求し、従来のロボット事前学習データは、そのような全身の動きを限定的にカバーする。 本稿では,WB-WAMについて述べる。WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM 共有された物理アクション空間は、異種ソースからの体、根、および異種手によるアノテーションを統合し、1880.2時間から部分的に注釈付けされたビデオおよびモーションデータによる共同ビデオおよびアクション学習を可能にする。 得られた事前情報は、PICOの中間訓練を通じて洗練され、補助的な前方運動学の監督を伴うロボットタスクに適合する。 我々は、これらの段階をサポートするためにWBデータセットを構築し、人間中心のデモやロボット軌道をリターゲティングし、タスク整列された人間の動きが限られたロボットデータを補うようにした。 シミュレーションによる評価では、HumanoidArenaでは81.9%、WB-WAMでは84.0%が5つのタスクで成功している。 さらに、タスクアラインなPICOミッドトレーニングは、実際のロボットデモの必要性を低減しつつ、ダウンストリームタスクのパフォーマンスを向上させる。 これらの結果は、データ効率の良いヒューマノイド・ロコ・マニピュレーションへの実践的な経路として、不均一な全身前訓練と人体移動をサポートする。

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)
• WholeBodyWAM: Learning Whole-Body World Action Models with Scalable Motion Priors [28.761088065994244]
  WholeBodyWAMは、ターゲットロボット訓練の前に、大規模な異種運動から全身動態を学習する。 言語条件のモーションエキスパートは、ターゲットロボットアクションの監督なしに、将来の全身の動きを予測するために事前訓練される。 実験により、WholeBodyWAMは運動抑制尺度の増大の恩恵を一貫して受けることが示された。
  論文  参考訳（メタデータ） (2026-09-16T06:32:21Z)
• HuRo: Robotizing Human Videos for Scalable VLA Pretraining [21.648183246162237]
  異種映像をロボット対応の観察・行動軌跡に変換するロボット化パイプラインを開発した。 我々は5つのビデオソースから約630Kのロボット化されたエピソードと1億4200万のフレームからなるHuRoデータセットを構築した。
  論文  参考訳（メタデータ） (2026-09-09T18:02:05Z)
• LaST-HD: Learning Latent Physical Reasoning from Scalable Human Data for Robot Manipulation [42.24237049248472]
  本稿では,人間からロボットまでのアクション学習パラダイムであるLaST-HDを紹介する。 LaST-HDは、人間とロボットのデモを共有潜在推論空間で調整する。 人手データ収集のためのLaST-HDに適した低コストモーションキャプチャーグローブであるOut-of-Lab (OOL) Gloveを開発した。
  論文  参考訳（メタデータ） (2026-06-22T17:59:52Z)
• HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos [58.9564236347451]
  HumanEgoは、人間とロボットのエンボディメントギャップを橋渡しするフレームワークである。 それは、人間のデモを、手動オブジェクトの相互作用の実体レベルの表現へと持ち上げる。 HumanEgoは、ロボットのデータフリー、ハードウェア非依存、データ効率、ゼロショットの人間とロボットの転送を可能にする。
  論文  参考訳（メタデータ） (2026-05-24T08:26:41Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• 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)

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。