論文の概要: CrossBFM: Distilling a Shared Latent Behavior Space Across Humanoid Embodiments

• arxiv url: http://arxiv.org/abs/2609.38087v1
• Date: Tue, 29 Sep 2026 17:40:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.79566
• Title: CrossBFM: Distilling a Shared Latent Behavior Space Across Humanoid Embodiments
• Title（参考訳）: CrossBFM:人体を横切る共有潜在行動空間を蒸留する
• Abstract要約: 行動基礎モデル(BFM)は、潜在行動空間に対してヒューマノイドに迅速なポリシーを与える。 第2のロボットに対してトレーニングプロセスが繰り返されると、第1のロボットとは無関係な空間が生成され、結果としてエンボディメント固有の潜伏剤が生成される。 我々は、CrossBFMを用いた様々な実施のための移動可能な資産として潜伏空間を扱います。
• 参考スコア（独自算出の注目度）: 43.86763629809281
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Behavior Foundation Models (BFMs) give humanoids a promptable policy over a latent behavior space, enabling one single vector to represent a motion to imitate, a pose to reach, or a reward to maximize. Forward-Backward representations successfully produce such spaces, but at the cost of hundreds of GPU-hours for a single robot. Moreover, when the training process is repeated for a second robot, it produces a second space unrelated to the first, resulting in embodiment-specific latents that do not unify or transfer. We address these problems with CrossBFM, treating the latent space as the transferable asset for various embodiments. As retargeting provides frame-level cross-embodiment correspondence, we propose a unified encoder architecture with no robot-specific parameters for distilling the behavior space to address all training embodiments simultaneously in less than a GPU-hour. Following this encoder, latent-conditioned trackers turn the distilled latent into whole-body control in a conventional PPO training manner in just 10 more GPU-hours. On three distilled humanoids, all three prompting modes transfer: motion tracking with latent-conditioned policy losing only $0.025$ rad to its joint-conditioned counterpart, smooth goal reaching between poses with no falls, and reward optimization for all $41$ reward prompts. Our experiments further reveal that 1) regressing the encoder on a quarter of the motion corpus costs only $5\%$ of tracking performance and 2) training the encoder on a subset of robots and evaluating on an unseen one recovers up to $89\%$ of the tracking performance of seen robots, demonstrating cross-embodiment generalization to morphologically similar robots. We also verify the pipeline on real robots across all three prompting modes and with flow-based generated latents. Project website: https://dotandung.github.io/crossbfm/
• Abstract（参考訳）: 行動基礎モデル(BFM)は、ヒューマノイドに潜在行動空間に対する迅速なポリシーを与え、1つのベクトルが模倣する動き、到達するポーズ、最大化の報酬を表現できるようにする。 フォワード・バックワードの表現は、そのような空間をうまく生成するが、単一のロボットに対して数百のGPU時間を必要とする。 さらに、第2ロボットに対してトレーニングプロセスを繰り返すと、第1ロボットとは無関係な第2の空間が生成され、結果として、一体化や移動を行わないエンボディメント固有の潜伏剤が生成される。 我々はこれらの問題をCrossBFMで解決し、様々な実施のための移動可能な資産として潜伏空間を扱います。 リターゲティングはフレームレベルのクロス・エボディメント対応を提供するため、動作空間を蒸留するためのロボット固有のパラメータを含まない統一エンコーダアーキテクチャを提案し、GPU時間以下で全てのトレーニングエボディメントに同時に対処する。 このエンコーダに続いて、ラテント条件付きトラッカーは、蒸留されたラテントを、通常のPPOトレーニング方式で、わずか10時間で全体制御に変換する。 3つの蒸留されたヒューマノイドでは、3つのモードが転送される: 潜在条件付きモーショントラッキングと潜在条件付きポリシーは、共同条件付きポリシーにわずか0.025ドルの差しかなく、スムーズなゴールは転倒のないポーズの間に到達し、報酬は41ドルの報酬プロンプトすべてに対して最適化される。 我々の実験はさらにそれを明らかにした。 1)動作コーパスの4分の1でエンコーダを押下する場合、追跡性能はわずか5\%である。 2) ロボットのサブセット上でエンコーダを訓練し, 見えないロボットの追跡性能を最大8,9\%まで回復させ, 形態学的に類似したロボットに対するクロス・エボディメントの一般化を実証した。 また、3つのプロンプトモードとフローベースのラテントで実際のロボットのパイプラインを検証する。 プロジェクトウェブサイト: https://dotandung.github.io/crossbfm/

関連論文リスト

• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• Morphology-Consistent Humanoid Interaction through Robot-Centric Video Synthesis [25.249184346335557]
  Dream2Actは、生成ビデオによるゼロショットインタラクションを可能にするロボット中心のフレームワークである。 Dream2Actは、ロボットネイティブ空間内で厳密に動作し、エラーを回避し、タスク固有のポリシートレーニングを取り除く。
  論文  参考訳（メタデータ） (2026-03-20T07:27:09Z)
• 3PoinTr: 3D Point Tracks for Robot Manipulation Pretraining from Casual Videos [8.359830715928242]
  3PoinTrは、カジュアルで制約のない人間のビデオからロボットポリシーを事前訓練する手法だ。 3PoinTrは、トランスフォーマーアーキテクチャを使用して、3Dポイントトラックを中間的なエンボディメントに依存しない表現として予測する。 3PoinTrは軽量で表現力のあるアーキテクチャのため、より正確で高品質なポイントトラックを生成する。
  論文  参考訳（メタデータ） (2026-03-09T15:20:26Z)
• 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)
• One-Shot Imitation under Mismatched Execution [7.060120660671016]
  人間のデモは、ロボットに長距離操作のタスクをプログラムするための強力な方法だ。 これらのデモをロボット実行可能なアクションに変換することは、運動スタイルや身体能力のミスマッチの実行による重大な課題を呈する。 シーケンスレベルの最適輸送コスト関数を用いて,人間とロボットの軌道を自動的にペアリングする新しいフレームワークRHyMEを提案する。
  論文  参考訳（メタデータ） (2024-09-10T16:11:57Z)

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。