論文の概要: From Legs to Wheels: Embodiment-Aware Human Motion Retargeting for Mobile-Base Humanoids

• arxiv url: http://arxiv.org/abs/2610.08381v1
• Date: Tue, 06 Oct 2026 14:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.019917
• Title: From Legs to Wheels: Embodiment-Aware Human Motion Retargeting for Mobile-Base Humanoids
• Title（参考訳）: 脚から車輪へ:移動体型ヒューマノイドのための身体認識型ヒューマンモーションリターゲティング
• Abstract要約: ほとんどの人間から人間へのロボットデモは、人間のような運動学を持つ脚のあるロボットを前提としている。 ロボット固有の実現前に、再構成された人間の動きをベース、リフト、アームの責任に割り当てることで、このミスマッチに対処する。 デプロイアダプタは、固定ベース検出、デッドバンドとスルーレートのフィルタリング、時間一貫性のスケーリング、線形と角のゲインを使って、50Hzのコマンドへの参照を変換する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human video offers a scalable source of robot demonstrations, yet most human-to-humanoid retargeting methods assume a legged robot with human-like kinematics. This assumption does not hold for mobile-base humanoids equipped with a wheeled base, vertical lift, and two arms. Human walking must be expressed through base motion, while torso bending may require coordinated lift and arm motion. We address this mismatch with a task-conditioned framework that assigns reconstructed human motion to base, lift, and arm responsibilities before robot-specific realization. The allocator preserves the human-derived path, stabilizes heading, separates turn and translation when needed, retimes commands to satisfy base limits, and repairs lift and arm trajectories. A deployment adapter then converts the reference to 50 Hz commands using stationary-base detection, deadband and slew-rate filtering, time-consistent playback scaling, and separate linear and angular gains. We evaluate the resulting references with human-derived task-space comparisons, policy-free simulation replay, and a qualitative execution on a physical robot.
• Abstract（参考訳）: 人間のビデオは、スケーラブルなロボットデモのソースを提供するが、人間から人間へのリターゲティング手法のほとんどは、人間のようなキネマティクスを持つ脚のあるロボットを前提としている。 この仮定は、車輪付きベースと垂直リフトと2つのアームを備えた移動体ベースヒューマノイドには当てはまらない。 ヒトの歩行はベースモーションを通して表現されなければならないが、胴体曲げは、協調したリフトと腕の動きを必要とすることがある。 このミスマッチは、ロボット固有の実現前に、人間の動きをベース、リフト、アームの責任に割り当てるタスク条件付きフレームワークで対処する。 アロケータは人間由来の経路を保持し、進路を安定させ、必要に応じて旋回と翻訳を分離し、基地限界を満たすためにコマンドを再実行し、リフトとアームの軌道を修復する。 デプロイアダプタは、固定ベース検出、デッドバンドとスルーレートのフィルタリング、時間一貫性のある再生スケーリング、線形と角のゲインを使用して、50Hzのコマンドへの参照を変換する。 本研究では,人為的なタスク空間比較,ポリシフリーなシミュレーション・リプレイ,物理ロボットの定性的な実行などによる参照結果の評価を行った。

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)
• Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
  ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。 これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。 その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
  論文  参考訳（メタデータ） (2026-10-05T11:08:50Z)
• EgoAlign: Bridging the Human-Humanoid Gap for Long-Range Loco-Manipulation [30.557334389658166]
  EgoAlignは、エゴセントリックな人間のデモをアクションに変換し、汎用的で連続的なボディコントローラと互換性のある状態の監視を行う。 上半身の相互作用の幾何に適応しながら、視覚的にガイドされた周期的なステップの参照を保存する。 最終因果リプレイは、人間の観察によるトレーニングのための対応するロボット状態とモーション・トーケン・ラベルを再構成する。
  論文  参考訳（メタデータ） (2026-09-29T17:18:42Z)
• Traceable Human-to-Humanoid Sign Language Benchmarking [87.8147609048596]
  ヒューマノイド署名は、ビデオから派生した人間の動きを、言語的な動きの手がかりを保持しながらロボットの軌跡に変換する必要がある。 我々は20,648の文レベルの中国語手話列のデータセットとベンチマークであるHuoidCSL-20Kを紹介する。
  論文  参考訳（メタデータ） (2026-09-27T08:24:57Z)
• Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation [3.1041072702135213]
  本稿では,マルチデータセット動作をガラクサR1車輪型ヒューマノイドのロコ操作動作に変換するパイプラインを提案する。 ロボットは平面式3輪ベースとシリアル胴体と2本の腕を持つが、脚の関節は持たない。 基準ツイスト駆動の計画層は、平面ベースの動きを連続した3輪ステアリングとローリングコマンドにデコードする。
  論文  参考訳（メタデータ） (2026-09-10T10:40:31Z)
• 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)
• GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
  GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。 GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。 我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。 GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
  論文  参考訳（メタデータ） (2026-06-03T17:57:45Z)
• 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)
• H2R-Grounder: A Paired-Data-Free Paradigm for Translating Human Interaction Videos into Physically Grounded Robot Videos [58.006918399913665]
  本稿では,通常の人間と物体のインタラクションビデオからモーション一貫性のあるロボット操作ビデオに変換するビデオ間翻訳フレームワークを提案する。 私たちのアプローチでは、ロボットビデオのセットのみをトレーニングするために、ペアの人間ロボットビデオは必要とせず、システムを拡張しやすくしています。 テスト時にも同じプロセスを人間のビデオに適用し、人間の行動を模倣する高品質なロボットビデオを生成する。
  論文  参考訳（メタデータ） (2025-12-10T07:59:45Z)

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。