論文の概要: Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data

• arxiv url: http://arxiv.org/abs/2610.09117v1
• Date: Tue, 06 Oct 2026 21:06:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.60698
• Title: Workhorse: Learning Robust Whole-Body Humanoid Loco-Manipulation from Human Data
• Title（参考訳）: Workhorse: 人体データのロバストなヒューマノイドロコ操作を学習する
• Abstract要約: Workhorseは、ロボットのない人間のデモから、接触に富んだ全身操作を計画することを学ぶ。 各ポリシーのトレーニングデータを拡大して、デプロイ時に他が犯したエラーを模倣します。 両方のポリシーの再訓練により、シミュレートされた第2のヒューマノイドは、プッシュなしでエピソードの83%でボックスソートを完了する。
• 参考スコア（独自算出の注目度）: 44.44659112722676
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots still struggle to plan contact-rich whole-body manipulation from egocentric RGB and proprioception. Workhorse learns such manipulation from robot-free human demonstrations. A visual planner predicts five-link targets: the poses of the torso, both wrists, and both feet. A reinforcement-learning whole-body tracker follows them on the robot. Both policies train separately on the same recorded human poses, without retargeting. We augment the training data of each policy to imitate the errors that the other makes at deployment. On a real Unitree G1, Workhorse sorts boxes with its hands and a kick, catches a thrown box, and topples and climbs a suitcase. During box sorting, we show recoveries after a person pushes the robot or takes the box away. In a simulated copy of the demonstration room, the system completes box sorting in 77% of episodes, and in 64% under 40 N.s pushes. With both policies retrained from the same demonstrations, a simulated second humanoid completes box sorting in 83% of episodes without pushes.
• Abstract（参考訳）: ヒューマノイドロボットは、エゴセントリックなRGBとプロバイオセプションから、接触に富んだ全身操作を計画するのに依然として苦労している。 Workhorseは、ロボットのない人間のデモからこのような操作を学ぶ。 ビジュアルプランナーは、胴体のポーズ、両手首、両足の5つのリンクターゲットを予測する。 強化学習された全身トラッカーがロボットに追従する。 どちらのポリシーも、再ターゲティングすることなく、記録された人間のポーズを別々に訓練する。 各ポリシーのトレーニングデータを拡大して、デプロイ時に他が犯したエラーを模倣します。 本物のUnitree G1では、ワークホースは手とキックで箱を選別し、投げられた箱をキャッチし、転倒してスーツケースに登ります。 ボックスソート中は、ロボットを押したり、箱を取り去った後に回復を示す。 デモルームの模擬コピーでは、システムはエピソードの77%でボックスソートを完了し、40Nのプッシュで64%で終了する。 両方のポリシーが同じデモから再訓練され、シミュレーションされた第2のヒューマノイドは、プッシュなしでエピソードの83%でボックスソートを完了する。

関連論文リスト

• VisTacAlign: Co-Training Dexterous Policies on Tactile Human and Robot Demonstrations [1.002991947914955]
  VisTacAlignは、人間とロボットのデモに対する3D-視覚触覚のデクサラスなポリシーを共同訓練するためのフレームワークである。 グローブトラッキングされた人間の手の動きは、17-DoFの触覚ロボットハンドに1回指先修正を加えて再ターゲティングされる。 静電容量式触覚グローブは、信号空間内のロボットの指先センサーにアライメントされ、1つの指先力表現が解釈可能である。
  論文  参考訳（メタデータ） (2026-09-25T08:12:04Z)
• MonoDuo: Using One Robot Arm to Learn Bimanual Policies [40.1404286878975]
  単腕ロボットのデモと人間のコラボレーションを組み合わせ,双方向操作ポリシーを学習するフレームワークであるMonoDuoについて述べる。 MonoDuoは、片腕ロボットを遠隔操作して、両腕のタスクの片面を実行する。 ボックスリフト,バックパックパッキング,布の折り畳み,ジャケットのジッピング,ハンドオーバープレートの5つのタスクについてMonoDuoを評価した。
  論文  参考訳（メタデータ） (2026-05-28T03:27:38Z)
• HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos [58.9564236347451]
  HumanEgoは、人間とロボットのエンボディメントギャップを橋渡しするフレームワークである。 それは、人間のデモを、手動オブジェクトの相互作用の実体レベルの表現へと持ち上げる。 HumanEgoは、ロボットのデータフリー、ハードウェア非依存、データ効率、ゼロショットの人間とロボットの転送を可能にする。
  論文  参考訳（メタデータ） (2026-05-24T08:26:41Z)
• 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)
• EgoZero: Robot Learning from Smart Glasses [54.6168258133554]
  EgoZeroはProject Ariaスマートグラスで捉えた人間のデモから堅牢な操作ポリシーを学ぶ。 EgoZeroのポリシーをFranka Pandaロボットにデプロイし、7つの操作タスクに対して70%の成功率でゼロショット転送を実演する。 この結果から,実世界におけるロボット学習のためのスケーラブルな基盤として,現在地にある人間のデータを活用できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T17:59:17Z)
• HumanPlus: Humanoid Shadowing and Imitation from Humans [82.47551890765202]
  ヒューマノイドが人間のデータから動きや自律的なスキルを学ぶためのフルスタックシステムを導入する。 まず、既存の40時間動作データセットを用いて、強化学習によるシミュレーションの低レベルポリシーを訓練する。 次に、自己中心型視覚を用いてスキルポリシーを訓練し、ヒューマノイドが自律的に異なるタスクを完了できるようにする。
  論文  参考訳（メタデータ） (2024-06-15T00:41:34Z)

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。