論文の概要: OTRetarget: Joint Robot and Object Motion Retargeting via Optimal Transport

• arxiv url: http://arxiv.org/abs/2609.36602v1
• Date: Tue, 29 Sep 2026 03:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.147644
• Title: OTRetarget: Joint Robot and Object Motion Retargeting via Optimal Transport
• Title（参考訳）: OTRetarget: 最適輸送によるロボットと物体の動きのリターゲティング
• Abstract要約: 人間の動きをヒューマノイドロボットに移すには、ロボットの形態にその動作を適応させる必要がある。 OTR ETARGETは、人間によるデモンストレーションから、ロボットと多目的運動を協調的に再ターゲットする統一的なアプローチである。 提案手法は,OmniRetargetの28%と29.3mmに対して,ロボットとオブジェクトの相互作用が87%,深さが8.7mmであるOMOMOに対して,提案手法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 10.3061638587194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transferring human motion to humanoid robots requires adapting the demonstrated motion to the robot morphology while preserving interactions with the environment. This is particularly challenging for loco-manipulation tasks, where contacts with the ground and manipulated objects must remain consistent despite differences in body proportions. Yet, skeletal motion alone does not fully describe these interactions, and fixing object trajectories limits the adaptation to a new embodiment. In this paper, we introduce OTR ETARGET, a unified approach to jointly retarget robot and multi-object motion from human demonstrations. Our approach represents surface interactions through signed distances, closest surface points, and relative directions, and uses entropic optimal transport to transfer these quantities across human, robot, and object geometries. We incorporate the resulting interaction targets into a constrained inverse kinematics formulation that balances contact preservation with motion style and jointly optimizes robot and object poses at each frame. This formulation accommodates robot-object and object-object interactions without rescaling the scene or the demonstration. We validate the proposed approach on OMOMO, where it achieves a robot- object interaction Jaccard score of 87% and a depth error of 8.7 mm, compared with 28% and 29.3 mm for OmniRetarget. Finally, we demonstrate transfer to a physical G1 humanoid using whole-body policies trained with reinforcement learning on the retargeted references, across motions including two-handed box pick-and-place onto a table.
• Abstract（参考訳）: 人間の動きをヒューマノイドロボットに転送するには、環境との相互作用を保ちながら、ロボット形態に示す動きを適用する必要がある。 これは、地上や操作対象との接触が、体比の違いにもかかわらず一貫していなければならない、ロコ操作タスクにとって特に困難である。 しかし、骨格運動だけではこれらの相互作用を完全に説明できず、物体軌道の固定は新しい実施形態への適応を制限する。 本稿では,人間の実演からロボットと多目的運動を統合的に再ターゲットするOTR ETARGETを紹介する。 我々のアプローチは、符号付き距離、最も近い表面点、および相対方向による表面相互作用を表現し、エントロピックな最適輸送を用いて、これらの量を人間、ロボット、オブジェクトのジオメトリ間で転送する。 得られた相互作用対象を制約された逆運動学の定式化に組み込み、接触保存と動作スタイルのバランスを保ち、各フレームにおけるロボットとオブジェクトのポーズを協調的に最適化する。 この定式化は、シーンやデモを再スケーリングすることなく、ロボットオブジェクトとオブジェクトオブジェクトの相互作用を許容する。 提案手法は,OmniRetargetの28%と29.3mmに対して,ロボットとオブジェクトの相互作用が87%,深さが8.7mmであるOMOMOに対して,提案手法の有効性を検証した。 最後に、リターゲット参照に対する強化学習で訓練された全体ポリシーを用いて、テーブル上の片手ボックスピック・アンド・プレイスを含む動きを物理的G1ヒューマノイドに転送する様子を実演する。

関連論文リスト

• HOI-Retarget: Contact-Centric Retargeting for Human-Object Interaction [4.781686004329527]
  本稿では,人間型ロボットに対話ターゲットとしてラベル付けされた全ての接触を移動させる,コンタクト中心の方法であるHOI-Retargetを提案する。 この方法は、モノクロビデオから再構成された接触を吸収し、1つの物体を操作する複数のロボットに拡張する。
  論文  参考訳（メタデータ） (2026-09-28T09:06:47Z)
• Traceable Human-to-Humanoid Sign Language Benchmarking [87.8147609048596]
  ヒューマノイド署名は、ビデオから派生した人間の動きを、言語的な動きの手がかりを保持しながらロボットの軌跡に変換する必要がある。 我々は20,648の文レベルの中国語手話列のデータセットとベンチマークであるHuoidCSL-20Kを紹介する。
  論文  参考訳（メタデータ） (2026-09-27T08:24:57Z)
• Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence [24.060385614379783]
  我々は,手動で設計した人間ロボットマッピングを必要とせずに,高密度のクラウド対応を学習するフレームワークであるUnified Motion Retargeting(UMR)を提案する。 UMRは最先端の手法よりも動きの忠実度と妥当性が高い。
  論文  参考訳（メタデータ） (2026-09-02T05:43:19Z)
• Human2Humanoid: Physics-Aware Cross-Morphology Motion Retargeting for Humanoid Robots [9.096721498763717]
  人間の動きをヒューマノイドロボットに再ターゲティングすることは、遠隔操作、模倣学習、人間とロボットの相互作用にとって重要である。 本稿では,人間の動作を高忠実度なヒューマノイドロボットに伝達する,教師なし動作フレームワークであるHuman2Humanを提案する。 実験の結果, 提案手法は, ペアデータを持たないユニトリーG1ヒューマノイドロボットに対して, 人間の動きを的確に再現することに成功した。
  論文  参考訳（メタデータ） (2026-06-02T10:53:06Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• Task-Oriented Human-Object Interactions Generation with Implicit Neural Representations [61.659439423703155]
  TOHO: 命令型ニューラル表現を用いたタスク指向型ヒューマンオブジェクトインタラクション生成 本手法は時間座標のみでパラメータ化される連続運動を生成する。 この研究は、一般的なヒューマン・シーンの相互作用シミュレーションに向けて一歩前進する。
  論文  参考訳（メタデータ） (2023-03-23T09:31:56Z)

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。