論文の概要: MimicX: Policy-in-the-Loop Supervision Refinement for Video-Driven Humanoid Motion Tracking

• arxiv url: http://arxiv.org/abs/2610.09055v1
• Date: Tue, 06 Oct 2026 20:05:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.589221
• Title: MimicX: Policy-in-the-Loop Supervision Refinement for Video-Driven Humanoid Motion Tracking
• Title（参考訳）: MimicX:ビデオ駆動型ヒューマノイドモーショントラッキングのためのポリシー・イン・ザ・ループ・スーパービジョン・リファインメント
• Abstract要約: 我々は,ビデオ駆動型ヒューマノイドモーショントラッキングを改良するために,実行フィードバックを利用するポリシ・イン・ザ・ループフレームワークであるMimicXを提案する。 4つのコアビデオタスクの中で、MimicXはトラッキング精度とRobust Execution Horizonを一貫して改善している。 追加のビデオ、モーション・リフレクション、衝突シーンの研究は、この手法をコアタスクを超えて評価する。
• 参考スコア（独自算出の注目度）: 7.253222390818916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human videos provide rich motion targets for humanoid learning, yet visually plausible references can still produce persistent failures under physics-based execution. These failures reveal where training supervision should change. We present MimicX, a policy-in-the-loop framework that uses execution feedback to refine video-driven humanoid motion tracking. Starting from reconstructed and retargeted motion, MimicX localizes difficult transitions and affected body regions, then jointly adapts tracking objectives and the reset curriculum for policy continuation. Repeated rollout verification selects execution-priority improvements subject to tracking guards. Across four core video tasks, MimicX consistently improves tracking accuracy and Robust Execution Horizon relative to the Fixed Reference baseline. Task-averaged results show a 25.7% reduction in body-tracking error and a 255.6% increase in execution horizon. Additional video, motion-reference, and collision-scene studies evaluate the method beyond the core tasks, while MimicX-HLoop accelerates feedback through heterogeneous execution. Overall, MimicX turns policy failure into actionable supervision for deciding what to refine and which refinement to retain.
• Abstract（参考訳）: ヒューマンビデオは、ヒューマノイド学習のためのリッチなモーションターゲットを提供するが、視覚的にも妥当な参照は、物理ベースの実行下でも持続的な失敗を生んでいる。 これらの失敗は、トレーニングの監督がどこを変えるべきかを明らかにします。 我々は,ビデオ駆動型ヒューマノイドモーショントラッキングを改良するために,実行フィードバックを利用するポリシ・イン・ザ・ループフレームワークであるMimicXを提案する。 MimicXは、再構成された動きと再ターゲットされた動きから始まり、困難な遷移と影響のある身体領域をローカライズし、追跡目標とポリシー継続のためのリセットカリキュラムを共同で適応する。 繰り返しロールアウト検証では、追跡ガードの対象となる実行優先度の改善が選択される。 4つのコアビデオタスクの中で、MimicXは一貫してトラッキングの精度を改善し、修正参照ベースラインに対するRobust Execution Horizonを使用する。 タスク平均化の結果では、ボディトラッキングエラーが25.7%減少し、実行地平線が255.6%増加した。 MimicX-HLoopは不均一な実行を通じてフィードバックを加速する。 全体として、MimicXは政策の失敗を、何が洗練され、どの改善が維持されるかを決めるための行動可能な監督へと変える。

関連論文リスト

• FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting [51.97027820630168]
  人間の手オブジェクトのデモは、器用なロボット学習のためのスケーラブルなデータソースを提供する。 既存の物理学に基づく手法は、通常、それぞれのデモンストレーションを独立して最適化する。 マルチ参照トラッキングのためのRLフレームワークであるFlashDexRetargetを紹介する。
  論文  参考訳（メタデータ） (2026-10-01T15:15:42Z)
• StableMimic: Smooth Human-Like Recovery for Humanoid Motion Tracking - Learning Beyond the Tracking Distribution for Structured Post-Fall Behavior [2.9625318946782397]
  我々は、名目追跡分布を超えて訓練された統合トラッカーであるStableMimicを提示する。 複数のヒトの隆起参照の周囲の摂動リセットは、羽根、海綿、オフバランス、中間接地状態を明らかにする。 隠された後継状態の目的は、デプロイされたアクターに参照IDやフェーズを公開することなく、人間の形のリカバリを教える。
  論文  参考訳（メタデータ） (2026-08-03T15:27:53Z)
• SutureAgent: Learning Surgical Trajectories via Goal-conditioned Offline RL in Pixel Space [22.300952176139948]
  内視鏡的ビデオからの針の軌跡の予測はロボットによる縫合に不可欠である。 画像に基づく針軌道予測を逐次決定問題として定式化する。 SutureAgentは、観測エンコーダを使用して可変長クリップを符号化し、局所的な空間的キューと長距離時間ダイナミクスの両方をキャプチャする。
  論文  参考訳（メタデータ） (2026-03-19T01:36:07Z)
• 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)
• A Plug-and-Play Physical Motion Restoration Approach for In-the-Wild High-Difficulty Motions [56.709280823844374]
  動作コンテキストとビデオマスクを利用して、欠陥のある動作を修復するマスクベースの動作補正モジュール(MCM)を導入する。 また,運動模倣のための事前訓練および適応手法を用いた物理ベースの運動伝達モジュール (PTM) を提案する。 本手法は,高速な移動を含む映像モーションキャプチャ結果を物理的に洗練するためのプラグイン・アンド・プレイモジュールとして設計されている。
  論文  参考訳（メタデータ） (2024-12-23T08:26:00Z)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)

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。