論文の概要: Co${}^{2}$Skill: Whole-Body Control via Skill Composition for Long-Horizon Human-Environment Interaction

• arxiv url: http://arxiv.org/abs/2610.09291v1
• Date: Wed, 07 Oct 2026 01:49:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.674174
• Title: Co${}^{2}$Skill: Whole-Body Control via Skill Composition for Long-Horizon Human-Environment Interaction
• Title（参考訳）: Co${}^{2}$Skill:Long-Horizon Human-Environment Interactionのためのスキル構成による全身制御
• Abstract要約: 本稿では,一貫したポリシー定式化を通じてシーンインタラクションと巧妙な操作を統合した2$Skillを提案する。 目標条件付きloco-manipulationカリキュラムを導入し、精度向上のための部分参照ガイダンスと、様々な初期状態からの探索を組み合わせる。 さらに、個別のスキルと選択されたタスクシーケンスを共同で訓練し、タスク境界を越えて物理状態を保存し、その後のシーンインタラクションにおける把握を維持するクロスタスクカリキュラムを導入する。
• 参考スコア（独自算出の注目度）: 27.264022051184337
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Achieving human-level dexterity in complex, unstructured environments requires the seamless integration of whole-body scene interaction and dexterous object manipulation skills. While existing physics-based controllers generate physically plausible behaviors in each domain, they largely address these two capabilities independently. In this paper, we present Co${}^{2}$Skill that integrates scene interaction and dexterous manipulation through a unified policy formulation. Built on a pretrained motion prior, the policy uses task and phase dependent observation masks to select information relevant to the current interaction goals. We introduce a goal-conditioned loco-manipulation curriculum that combines partial reference guidance for precision with exploration from varied initial states while allowing goal-directed execution beyond the demonstrated trajectories. We further introduce a cross-task curriculum that jointly trains individual skills and selected task sequences, preserving physical states across task boundaries and maintaining grasps during subsequent scene interactions. Together, these support sequential task execution and simultaneous scene interaction with object manipulation. We evaluate sitting, standing, climbing, stair traversal, and goal-directed manipulation, together with sequential execution and with random different conditions. Additionally, we demonstrate skill compositions in indoor environments, illustrating their integration within the same control formulation.
• Abstract（参考訳）: 複雑で非構造的な環境で人間レベルのデクスタリティを達成するには、ボディ全体のシーンインタラクションとデクスタラスなオブジェクト操作スキルをシームレスに統合する必要がある。 既存の物理ベースのコントローラは、各領域で物理的に妥当な振る舞いを生成するが、これら2つの機能には独立して対処する。 本稿では,シーンインタラクションとデクスタラス操作を統合されたポリシー定式化を通じて統合するCo${}^{2}$Skillを提案する。 事前訓練された動作に基づいて構築されたこのポリシーは、現在の相互作用目標に関連する情報を選択するために、タスクとフェーズ依存の観察マスクを使用する。 目的条件付きloco-manipulationカリキュラムを導入し,精度向上のための部分参照ガイダンスと,各初期状態からの探索を組み合わせながら,実証された軌道を超えるゴール指向実行を可能にした。 さらに、個別のスキルと選択されたタスクシーケンスを共同で訓練し、タスク境界を越えて物理状態を保存し、その後のシーンインタラクションにおける把握を維持するクロスタスクカリキュラムを導入する。 これらとともに、シーケンシャルなタスク実行とオブジェクト操作との同時シーンインタラクションをサポートする。 着座,立位,登頂,段差,目標方向操作,連続実行,無作為な異なる条件で評価を行った。 さらに,室内環境におけるスキル・コンポジションを実演し,その統合を同じコントロール・フォーミュレーションで示す。

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)
• HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
  HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。 我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。 この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-06-02T12:08:08Z)
• Unified Human-Scene Interaction via Prompted Chain-of-Contacts [61.87652569413429]
  HSI(Human-Scene Interaction)は、AIや仮想現実といった分野において重要なコンポーネントである。 本稿では,言語コマンドによる多様なインタラクションの統一制御を支援する統一型HSIフレームワークUniHSIを提案する。
  論文  参考訳（メタデータ） (2023-09-14T17:59:49Z)

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。