論文の概要: NEXUS: Perceptive Whole-Body Control for Terrain-Adaptive Teleoperation

• arxiv url: http://arxiv.org/abs/2609.39000v1
• Date: Wed, 30 Sep 2026 05:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.224735
• Title: NEXUS: Perceptive Whole-Body Control for Terrain-Adaptive Teleoperation
• Title（参考訳）: NEXUS:Terrin-Adaptive Teleoperationのための知覚的全体制御
• Abstract要約: 全体遠隔操作では、人型ロボットが地形が違っても人間の動作を再現する必要がある。 NEXUSは、人間のモーションコマンドとオンボードの感覚フィードバックを組み合わせた、知覚的な全身制御フレームワークである。
• 参考スコア（独自算出の注目度）: 59.5667378375909
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Whole-body teleoperation requires a humanoid robot to reproduce a human operator's behavior even when their terrains differ. This demands that the robot perceive local terrain and adapt its posture and contacts accordingly, rather than copy the operator's motion frame by frame. However, paired motion data linking the same behaviors across flat ground and different terrains remain scarce, limiting supervision for learning terrain-adaptive control. To enable whole-body teleoperation across mismatched terrains, we introduce NEXUS, a perceptive whole-body control framework that combines human motion commands with onboard sensory feedback. We first develop a scalable terrain-aware adaptation algorithm that efficiently generates high-quality motion pairs across motions and terrains without per-motion or per-terrain tuning. Using a paired motion corpus totaling nearly 1,000 hours, we train a perceptive whole-body controller through teacher-student learning to reproduce commanded behaviors across terrains. Experiments demonstrate efficient, scalable generation of high-quality motion data and show that NEXUS combines broad behavioral coverage with terrain adaptability and tracking fidelity, outperforming existing whole-body controllers on the evaluated benchmarks. Zero-shot real-world deployment enables real-time whole-body teleoperation on diverse unseen terrains, further validating the generalization of our method. Project website: https://nexus-humanoid.github.io/
• Abstract（参考訳）: 全体遠隔操作では、人型ロボットが地形が違っても人間の動作を再現する必要がある。 これにより、ロボットは、操作者の運動フレームをフレーム単位でコピーするのではなく、局所的な地形を認識し、姿勢や接触を適応させることが要求される。 しかし、平地と異なる地形をまたいだ同一の挙動を繋ぐペアの動きデータは依然として乏しいままであり、地形適応制御の学習の監督を制限している。 NEXUSは人間の動作コマンドと車載感覚フィードバックを組み合わせた知覚的な全身制御フレームワークである。 まず,移動や地形にまたがる高品質な動き対を,移動や地形ごとの調整なしに効率よく生成する,スケーラブルな地形対応適応アルゴリズムを開発した。 一組の運動コーパスを合計1000時間近く使用し、教師-学生の学習を通して知覚的な全身制御装置を訓練し、地形を横断する指揮行動の再現を行う。 実験では、高速でスケーラブルな動きデータの生成を実証し、NEXUSが広い行動カバレッジと地形適応性と追跡フィリティを組み合わせ、評価されたベンチマークで既存の全身コントローラよりも優れていることを示す。 ゼロショット実世界の展開により、多様な未確認地形上でリアルタイムな全天体遠隔操作が可能となり、さらに本手法の一般化が検証された。 Project website: https://nexus- Humanoid.github.io/

関連論文リスト

• WorldLine: Action-Driven Visual Simulation for Robotic Manipulation [87.68211863253049]
  実世界のロボット学習は、経験を収集し、候補行動を評価するコストに制約される。 異種アクショングラウンドから学習した移動可能なダイナミクスを分離する,アクション駆動型ビジュアルシミュレータ WorldLine を紹介する。 WorldLineは、1万時間以上のアクションフリーロボットビデオから操作のダイナミクスを学び、2000時間以上のアクショントラジェクトリを使ってそれらをグラウンドする。
  論文  参考訳（メタデータ） (2026-09-29T17:26:22Z)
• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
  我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。 我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。 学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
  論文  参考訳（メタデータ） (2026-06-06T08:46:44Z)
• Learning Whole-Body Humanoid Locomotion via Motion Generation and Motion Tracking [22.8041193953823]
  高次元制御、形態的不安定性、および車載認識を用いた様々な地形へのリアルタイム適応の必要性により、全身のヒューマノイド移動は困難である。 本研究では,参照動作から学んだスキルと地形認識適応を組み合わせた全身ヒューマノイド移動フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-19T09:02:55Z)
• ZeroWBC: Learning Natural Visuomotor Humanoid Control Directly from Human Egocentric Video [52.78703020909145]
  我々は、人間中心のビデオから直接、自然なヒューマノイドビジュモータ制御ポリシーを学ぶ新しいフレームワークであるZeroWBCを紹介した。 提案手法はまず視覚言語モデル(VLM)を微調整し,テキスト命令とエゴセントリックな視覚コンテキストに基づく将来の身体全体の動作を予測する。 ユニツリーG1ヒューマノイドロボットの実験では,動作の自然性と汎用性において,本手法がベースラインアプローチより優れていることが示された。
  論文  参考訳（メタデータ） (2026-03-10T04:19:43Z)
• OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
  OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。 実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。 実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
  論文  参考訳（メタデータ） (2026-02-27T09:12:15Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• Learning Humanoid Standing-up Control across Diverse Postures [27.79222176982376]
  立ち上がり制御はヒューマノイドロボットにとって不可欠であり、現在の移動と移動操作システムに統合される可能性がある。 本稿では,立ち上がり制御をゼロから学習する強化学習フレームワークであるHoST(Humanoid Standing-up Control)を提案する。 実験結果から, 各種実験室および屋外環境におけるスムーズ, 安定, 頑健な立位運動が得られた。
  論文  参考訳（メタデータ） (2025-02-12T13:10:09Z)

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。