論文の概要: Beyond Retargeting: Low-Latency and Robust Humanoid Whole-Body Teleoperation with Learned Atomic Motion Primitives
- arxiv url: http://arxiv.org/abs/2610.07891v1
- Date: Tue, 06 Oct 2026 07:39:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.870645
- Title: Beyond Retargeting: Low-Latency and Robust Humanoid Whole-Body Teleoperation with Learned Atomic Motion Primitives
- Title（参考訳）: 再ターゲットを超えて:低レイテンシでロバストなヒューマノイドと学習原子運動原始体との遠隔操作
- Abstract要約: 既存のシステムは、人間のロボット形態の違いを橋渡しするためにオンラインの動きに依存しているが、このプロセスは遅延を増し、物理的に不可能なターゲットを生み出すことができる。
本研究では,人間の動きを直接ロボットの関節コマンドにマッピングするプリミティブフリー適応方式を提案する。
シミュレーションおよびハードウェアにおけるUnitreeG1の実験では、仮想現実感、光モキャップ、テキスト・トゥ・モーション生成、モノクロビデオ入力を用いて、本手法がレイテンシとロバスト性においてベースラインよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 9.232856657144216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid whole-body teleoperation translates human motion into stable robot behavior in real time. Existing systems typically rely on online motion retargeting to bridge human--robot morphological differences, but this process adds latency and can produce physically infeasible targets. Meanwhile, diverse, noisy, and partial human-motion observations often fall outside the training distribution, potentially causing unstable robot behavior. We propose a retargeting-free policy that maps raw human motion directly to robot joint commands in a single forward pass, eliminating online kinematic adaptation. To improve robustness, we learn a codebook of full-body motion primitives that projects out-of-distribution observations onto plausible motion prototypes and recovers full-body motion from partial inputs. Experiments on a Unitree~G1 in simulation and on hardware, using virtual reality, optical mocap, text-to-motion generation, and monocular video inputs, show that our method outperforms baselines in latency and robustness.
- Abstract（参考訳）: ヒューマノイド全体の遠隔操作は、人間の動きをリアルタイムで安定したロボット動作に変換する。
既存のシステムは、人間の形態的な違いを橋渡しするために、オンラインのモーションリターゲティングに依存しているが、このプロセスは遅延を増し、物理的に不可能なターゲットを生み出すことができる。
一方、多種多様で騒々しく、部分的な人間の動きの観察はしばしばトレーニング分布の外に落ち、不安定なロボット行動を引き起こす可能性がある。
本研究では,人間の動きを直接ロボットのジョイントコマンドにマッピングし,オンラインキネマティックな適応をなくすリターゲティングフリーなポリシーを提案する。
頑健性を向上させるために,本研究では,可塑性運動プロトタイプに分布外観測を投影し,部分入力から全体動作を復元する,全体動作プリミティブのコードブックを学習する。
シミュレーションおよびハードウェアにおけるUnitree~G1の実験では、仮想現実感、光モキャップ、テキスト・トゥ・モーション生成、モノクロビデオ入力を用いて、本手法がレイテンシーとロバストネスのベースラインを上回っていることを示す。
関連論文リスト
- InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳（メタデータ） (2026-10-05T17:59:50Z) - BeyondRetarget: Learning Executable Humanoid Motions Directly from Monocular Video [34.97982846901588]
本研究では,モノクラーRGBビデオをロボットの動きにマッピングする,エンドツーエンドのフレームワークであるBeyondRetargetを提案する。
このフレームワークは、明示的な人間の表現を識別し、視覚的な観察からロボット指向の暗黙の表現を直接学習する。
実験の結果,BeyondRetargetは生成したロボットの動きの精度と堅牢性を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2026-09-24T14:15:04Z) - 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) - 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) - Real-Time Whole-Body Teleoperation of a Humanoid Robot Using IMU-Based Motion Capture with Sim2Sim and Sim2Real Validation [0.7325481380690131]
本稿では,Unitree G1ヒューマノイドロボットで記録されたリアルタイム全体遠隔操作システムを提案する。
オフラインバッファリングや学習ベースのコンポーネントを使わずに、連続的かつ低レイテンシな操作のために設計された、独自のモーションプロセッシング、キネマティック、制御パイプラインを導入します。
実験結果から,歩行,立位,座位,旋回,ボウイング,コーディネートされたフルボディジェスチャーなど,広い運動レパートリーの安定かつ同期的な再現が示された。
論文 参考訳（メタデータ） (2026-05-12T16:22:17Z) - PhyGile: Physics-Prefix Guided Motion Generation for Agile General Humanoid Motion Tracking [23.96905373874686]
本稿では,ロボットネイティブ動作生成と推論のループを閉じる統合フレームワークであるPhyGileを紹介する。
我々は,GMTコントローラをカリキュラムベースのMix-of-expertsスキームでトレーニングし,その後,大規模ロボット動作に対するロバスト性を改善するためにラベル付き動作データを用いた後学習を行った。
PhyGileはテキスト駆動型ヒューマノイドコントロールのフロンティアを拡張し、アジャイルの安定したトラッキングを可能にする。
論文 参考訳（メタデータ） (2026-03-13T06:43:44Z) - FRoM-W1: Towards General Humanoid Whole-Body Control with Language Instructions [147.04372611893032]
FRoM-W1は、自然言語を用いた一般的なヒューマノイド全体の動作制御を実現するために設計されたオープンソースのフレームワークである。
我々はUnitree H1とG1ロボット上でFRoM-W1を広範囲に評価した。
その結果,HumanML3D-Xベンチマークにおいて,人体全体の動作生成に優れた性能を示した。
論文 参考訳（メタデータ） (2026-01-19T07:59:32Z) - From Language to Locomotion: Retargeting-free Humanoid Control via Motion Latent Guidance [55.31807046722006]
既存の言語誘導型ヒューマノイドパイプラインは面倒で信頼できない。
本稿では,言語を基盤とした動作潜伏者に対してヒューマノイドポリシーを規定する言語フリーフレームワークであるRoboGhostを紹介する。
我々は,RoboGhostがデプロイメントの遅延を大幅に低減し,成功率と精度を向上し,スムーズでセマンティックに整合したヒューマノイドを生成することを示す。
論文 参考訳（メタデータ） (2025-10-16T17:57:47Z) - 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。