論文の概要: Dense Temporal Motion Retargeting for Legged Robots

• arxiv url: http://arxiv.org/abs/2609.38617v1
• Date: Tue, 29 Sep 2026 22:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.79874
• Title: Dense Temporal Motion Retargeting for Legged Robots
• Title（参考訳）: 足ロボットの高密度時間運動リターゲティング
• Abstract要約: 脚のあるロボットは、人間や動物の動きから全身のスキルを学ぶことができる。 特に、ジャンプのような動的運動は、タイミングと制御が相互依存しているため、慎重に調整する必要がある。 単一変形におけるタイミングと制御を協調的に最適化する高密度時間運動(DTMR)を提案する。
• 参考スコア（独自算出の注目度）: 20.160556295896438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legged robots can learn expressive whole-body skills from the motions of humans and animals. Due to the morphology gap between the source and the robot, however, the motion must be tailored to the dynamic properties of the robot. In particular, dynamic motions such as a jump require careful adjustment, since their timing and control are interdependent. We propose dense temporal motion retargeting (DTMR), which jointly optimizes timing and control within a single optimization, where dense means that the timing is adjusted for every control step. This dense formulation enables DTMR to deform only the parts of the motion that need a change in timing. The problem is solved with sampling-based model predictive control (MPC) in parallel on a GPU. We evaluate DTMR against baselines on two hours of human motion with four humanoid robots, where the results show that DTMR outperforms baseline methods, particularly on dynamic motions. We also show that allowing more temporal deformation yields more precise retargeting. We further compare DTMR with a baseline that optimizes the temporal dimension, where the result shows that DTMR retargets more precisely under the same deformation budget while being ~19x faster. Lastly, policies trained on our references transfer to a real humanoid robot.
• Abstract（参考訳）: 脚のあるロボットは、人間や動物の動きから表現力のある全身のスキルを学ぶことができる。 しかし、ソースとロボットの間の形態的ギャップのため、運動はロボットの動的特性に合わせて調整されなければならない。 特に、ジャンプのような動的運動は、タイミングと制御が相互依存しているため、慎重に調整する必要がある。 本研究では,1つの最適化でタイミングと制御を協調的に最適化する高次時間運動再ターゲティング(DTMR)を提案する。 この密接な定式化により、DTMRはタイミングの変化を必要とする動きの一部だけを変形させることができる。 この問題は、GPU上で並列にサンプリングベースモデル予測制御(MPC)によって解決される。 4つのヒューマノイドロボットによる2時間動作のベースラインに対するDTMRの評価を行ったところ,DTMRはベースライン法,特に動的動作よりも優れていた。 また, より時間的変形を許容すれば, より正確に再ターゲティングできることを示す。 さらに、DTMRを時間次元を最適化するベースラインと比較すると、DTMRは同じ変形予算の下でより正確に目標を達成し、約19倍高速であることを示す。 最後に、私たちの参照に基づいて訓練されたポリシーは、本物のヒューマノイドロボットに転送されます。

関連論文リスト

• SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
  人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。 タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:03:14Z)
• World-Coordinate Human Motion Retargeting via SAM 3D Body [0.3735787582927221]
  本稿では,SAM 3D Bodyを凍結した知覚バックボーンとして活用するフレームワークを提案する。 再建された動きを、キネマティクスを意識した2段逆キネマティクスパイプラインを用いて、ユニツリーG1ヒューマノイドに再ターゲティングする。 その結果,本手法は安定な世界軌道と信頼性のあるロボット表現を有することが明らかとなった。
  論文  参考訳（メタデータ） (2025-12-25T08:30:04Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
  冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。 これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。 本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
  論文  参考訳（メタデータ） (2024-12-27T07:34:54Z)
• ImDy: Human Inverse Dynamics from Imitated Observations [47.994797555884325]
  逆ダイナミクス(ID)は、人間の運動学的観察から駆動トルクを再現することを目的としている。 従来の最適化ベースのIDは高価な実験室のセットアップを必要とし、可用性を制限している。 本稿では、近年進歩的な人間の動作模倣アルゴリズムを利用して、データ駆動方式で人間の逆ダイナミクスを学習することを提案する。
  論文  参考訳（メタデータ） (2024-10-23T07:06:08Z)
• TIMotion: Temporal and Interactive Framework for Efficient Human-Human Motion Generation [30.734182958106327]
  現在の手法は2つの主要なカテゴリに分類される。 本稿では,人間の動作生成のための効率的かつ効果的なフレームワークであるTIMotion(Temporal and Interactive Modeling)を紹介する。
  論文  参考訳（メタデータ） (2024-08-30T09:22:07Z)
• Human-Robot Skill Transfer with Enhanced Compliance via Dynamic Movement Primitives [1.7901837062462316]
  本研究では,動的運動プリミティブ(Dynamic Movement Primitives)フレームワークにおいて,人間の実演から動的特徴を抽出し,パラメータを自動チューニングする体系的手法を提案する。 本手法は,LfDとRLの両方に追従するロボット軌道を再現するために,人間の動的特徴を抽出するための実際のロボット装置に実装した。
  論文  参考訳（メタデータ） (2023-04-12T08:48:28Z)
• Skeleton2Humanoid: Animating Simulated Characters for Physically-plausible Motion In-betweening [59.88594294676711]
  現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。 テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。 挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2022-10-09T16:15:34Z)

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。