論文の概要: iGPC: Generative Motion Priors for Object-Aware Humanoid Interaction

• arxiv url: http://arxiv.org/abs/2610.08120v1
• Date: Tue, 06 Oct 2026 10:41:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.940593
• Title: iGPC: Generative Motion Priors for Object-Aware Humanoid Interaction
• Title（参考訳）: iGPC:オブジェクト認識型ヒューマノイドインタラクションのための生成動作優先
• Abstract要約: 本稿では,最近提案されたジェネレーティブ・プレトレーニングド・コントローラ(GPC)を,フルボディのヒューマノイド環境相互作用に拡張するフレームワークを提案する。 まず,シーン・アベイランス・キューと特権国家情報に基づくインタラクション・エキスパートにGPCを適用した。 第2に、事前学習したGPCポリシーを維持し、搭載された感覚観察を用いて専門家のインタラクションスキルを蒸留する知覚駆動型学生を紹介した。
• 参考スコア（独自算出の注目度）: 14.539929548244222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots operating in unstructured environments must combine robust whole-body control with the ability to perceive and physically interact with surrounding objects. While large-scale human motion data provides powerful priors for natural and versatile humanoid control, effectively transferring such priors to perception-driven object interaction remains challenging. To address this bottleneck, we propose a framework that extends the recently proposed Generative Pretrained Controller (GPC) from general human motion to full-body humanoid-environment interaction. First, we adapt GPC into interaction experts conditioned on scene affordance cues and privileged state information. These experts leverage the pretrained human motion prior while learning task-specific contact behaviors, including reaching toward objects, grasping environmental supports for stabilization, and pushing movable objects. Second, we introduce a perception-driven student that retains the pretrained GPC policy and distills interaction skills from the experts using onboard sensory observations. To bridge the gap between privileged expert observations and sensory inputs, we propose two complementary training objectives that enable effective adaptation of the pretrained motion prior during distillation. Notably, our experiments across multiple whole-body interaction tasks demonstrate that large-scale generative human motion priors provide an effective foundation for learning deployable policies for humanoid interactions in contact-rich real-world environments.
• Abstract（参考訳）: 非構造環境で動作しているヒューマノイドロボットは、堅牢な全身制御と、周囲の物体を知覚し物理的に相互作用する能力を組み合わせる必要がある。 大規模人間の動作データは、自然および多目的なヒューマノイド制御のための強力な先行情報を提供するが、そのような先行情報を知覚駆動の物体相互作用に効果的に転送することは依然として困難である。 このボトルネックに対処するため、我々は最近提案されたジェネレーティブ・プレトレーニングド・コントローラ(GPC)を一般人の動きからフルボディのヒューマノイド環境相互作用へと拡張するフレームワークを提案する。 まず,シーン・アベイランス・キューと特権国家情報に基づくインタラクション・エキスパートにGPCを適用した。 これらの専門家は、前もって訓練された人間の動きを活用し、タスク固有の接触行動、例えば物体への到達、安定化のための環境支援の把握、移動物体の押し付けなどを学ぶ。 第2に、事前学習したGPCポリシーを維持し、搭載された感覚観察を用いて専門家のインタラクションスキルを蒸留する知覚駆動型学生を紹介した。 専門的な専門的観察と感覚入力のギャップを埋めるために, 蒸留前の事前学習動作の効果的適応を可能にする2つの相補的学習目標を提案する。 特に,複数の人体インタラクションタスクを対象とした実験では,接触豊かな実環境における人体インタラクションの展開可能なポリシーを学ぶ上で,大規模な人体動作先行が有効な基盤となることが示されている。

関連論文リスト

• Unifying Physics-Based Humanoid Interaction with a Context-Conditioned Interaction Prior [20.58647951068921]
  CHIPは、不均一な動きデータから再利用可能なヒューマノイド相互作用スキルを学習するための物理学的な基盤となるフレームワークである。 我々はまず,不均一な相互作用データから基礎となる教師の行動を取得する物理に基づくモーション・イミュレーション・ポリシーを学習する。 次に、これらの動作を文脈条件付き相互作用に蒸留し、移動と操作をまたいだ再利用可能な運動構造をキャプチャする。
  論文  参考訳（メタデータ） (2026-09-06T13:16:48Z)
• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning [29.898955971414154]
  多エージェント強化学習問題として, 密接に相互作用し, 力量変化する人間の動作系列の模倣を定式化する。 AssistMimicは、確立されたベンチマーク上でのアシストインタラクション動作の追跡に成功できる最初の方法であることを示す。
  論文  参考訳（メタデータ） (2026-03-11T22:25:44Z)
• InterPrior: Scaling Generative Control for Physics-Based Human-Object Interactions [58.329946838699044]
  人間は、明示的な全身運動のレベルで、物体と全身の相互作用を計画することは滅多にない。 このような事前のスケーリングは、ヒューマノイドがロコ操作スキルの構築と一般化を可能にする鍵となる。 我々は,強化学習による大規模模倣事前学習とポストトレーニングを通じて,統合生成コントローラを学習するフレームワークであるInterPriorを紹介する。
  論文  参考訳（メタデータ） (2026-02-05T18:59:27Z)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Emergent Active Perception and Dexterity of Simulated Humanoids from Visual Reinforcement Learning [69.71072181304066]
  本稿では,擬似ヒューマノイドを用いた視覚駆動全身制御フレームワークであるPerceptive Dexterous Control (PDC)を紹介する。 PDCは、タスク仕様のためのエゴセントリックなビジョンのみを運用し、ビジュアルキューによるオブジェクト検索、ターゲット配置、スキル選択を可能にする。 強化学習によるスクラッチからのトレーニングは,能動探索などの創発的な行動を引き起こす可能性があることを示す。
  論文  参考訳（メタデータ） (2025-05-18T07:33:31Z)
• Human-Object Interaction from Human-Level Instructions [17.10279738828331]
  本研究では、コンテキスト環境におけるオブジェクト操作のための人間とオブジェクトの相互作用を合成する最初の完全システムを提案する。 我々は大規模言語モデル(LLM)を利用して入力命令を詳細な実行計画に解釈する。 従来の作業とは異なり,本システムは全身運動とシームレスに協調して,詳細な指と物体の相互作用を生成できる。
  論文  参考訳（メタデータ） (2024-06-25T17:46:28Z)

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。