論文の概要: From Digital Human Interactions to Physics-Based Humanoid Skills: Physics-Grounded Post-Training of Interaction Generators

• arxiv url: http://arxiv.org/abs/2610.10322v1
• Date: Wed, 07 Oct 2026 16:12:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.028996
• Title: From Digital Human Interactions to Physics-Based Humanoid Skills: Physics-Grounded Post-Training of Interaction Generators
• Title（参考訳）: デジタルヒューマンインタラクションから物理に基づくヒューマノイドスキルへ:インタラクションジェネレータの物理を取り巻くポストトレーニング
• Abstract要約: DIGHTは、デジタルヒューマンインタラクションジェネレータとヒューマノイドトラッキングポリシーを結合する、共適応フレームワークである。 我々のアプローチは、生成した動きの物理的妥当性を向上させるだけでなく、シミュレーションにおいてより信頼性が高く忠実なヒューマノイド相互作用を可能にする。
• 参考スコア（独自算出の注目度）: 26.990548551039183
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent methods have made promising progress in generating interactions between two humanoids, largely relying on physics-based tracking policies to convert digital reference motions into executable trajectories. However, limited tracking capabilities restrict the range of reference motions that can be successfully executed, reducing data utilization. Moreover, even successful tracking does not guarantee physically plausible responses or faithful realization of the intended interactions. In this paper, we introduce DIGHT, a co-adaptive framework that couples a Digital human Interaction Generator with a Humanoid Tracking policy. Our DIGHT first executes multiple text-conditioned interaction candidates in simulation using a fixed tracker. It then constructs physics-grounded preferences from the resulting rollouts, covering both general executability and interaction fidelity. Rather than collapsing these signals into a single scalar reward for candidate ranking, we align the pretrained generator using physics-decoupled diffusion direct preference optimization (DPO), preserving criterion-specific supervision without differentiating through the simulator. To improve executability, preference pairs are derived from tracking error, friction, and floating. Additionally, to improve interaction fidelity, we propose to incorporate force feedback from simulator as a measure of contact fidelity and construct preferences over contact occurrence, location, duration, and force magnitude. The aligned generator then supplies reference motions for fine-tuning the tracker, improving compatibility between generation and physical execution. Extensive experiments demonstrate that our approach not only improves the physical plausibility of generated motions but also enables more reliable and faithful humanoid interactions in simulation.
• Abstract（参考訳）: 最近の手法は、2つのヒューマノイド間の相互作用の生成において有望な進歩をもたらしており、デジタル参照運動を実行可能な軌道に変換するための物理ベースのトラッキングポリシーに大きく依存している。 しかし、追跡能力の制限により、正常に実行できる参照モーションの範囲が制限され、データ利用が減少する。 さらに、追跡に成功したとしても、物理的に妥当な応答や意図した相互作用の忠実な実現は保証されない。 本稿では,デジタルヒューマンインタラクションジェネレータとヒューマノイドトラッキングポリシを結合した協調適応フレームワークであるDIGHTを紹介する。 我々のDIGHTは、まず、固定トラッカーを用いたシミュレーションにおいて、複数のテキスト条件の相互作用候補を実行する。 その後、結果として生じるロールアウトから物理接地された好みを構築し、一般的な実行可能性と相互作用の忠実さの両方をカバーする。 これらの信号を1つのスカラー報酬に分解する代わりに、物理分離拡散直接選好最適化(DPO)を用いて事前学習したジェネレータを調整し、シミュレータを通して差別化することなく、基準固有監督を保存する。 実行性を改善するために、選好ペアは、トラッキングエラー、摩擦、浮動小数点から導かれる。 さらに, 相互作用の忠実度を改善するために, シミュレータからの力フィードバックを接触の忠実度の測定に取り入れ, 接触の発生, 位置, 持続時間, 力量に対する嗜好を構築することを提案する。 次に、アライメントジェネレータは、トラッカーを微調整するための参照モーションを提供し、生成と物理実行の互換性を改善します。 大規模な実験により、本手法は生成した動きの物理的妥当性を向上させるだけでなく、シミュレーションにおけるより信頼性が高く忠実なヒューマノイド相互作用を可能にすることが示された。

関連論文リスト

• TEXEDO : Test Time Scaling for Controller-aware Language-conditioned Humanoid Motion Generation [48.72797830886802]
  我々はヒューマノイドモーション生成のためのテスト時間スケーリングフレームワークであるTEXEDOを紹介する。 基礎となる強力な発電機を必要とせず、運動の質を向上させる。 追跡忠実度とテキストアライメントの両方を継続的に改善することを示す。
  論文  参考訳（メタデータ） (2026-06-22T08:14:35Z)
• Stability-Driven Motion Generation for Object-Guided Human-Human Co-Manipulation [16.622175523077917]
  コマニピュレーションでは、複数の人間が動きを共有オブジェクトと同期させる必要がある。 既存のモーションジェネレーションアプローチのほとんどは、ペイロードによって引き起こされるダイナミクスを考慮していない。 本稿では,生成したコマニピュレーション動作が意図した目標と一致することを保証するフローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-22T08:31:40Z)
• RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
  自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。 我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-18T17:02:56Z)
• RL from Physical Feedback: Aligning Large Motion Models with Humanoid Control [32.37239524019001]
  本稿では,テキスト駆動型人間動作をヒューマノイドロボットの実行可能な動作に変換することに焦点を当てた。 既存のテキスト・トゥ・モーション生成手法は、実世界の展開には適さない運動を運動的にも身体的にも生成する。 本稿では,物理認識型動作評価とテキスト条件付き動作生成を統合した新しいフレームワークである物理フィードバックからの強化学習を提案する。
  論文  参考訳（メタデータ） (2025-06-15T08:39:49Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)
• Neural MoCon: Neural Motion Control for Physically Plausible Human Motion Capture [12.631678059354593]
  我々は、高精度で微分不可能な物理シミュレータを利用して、モーションキャプチャーに動的制約を組み込む。 我々のキーイデアは、実際の物理的な監督を利用して、サンプリングベースのモーションコントロールの前にターゲットのポーズ分布をトレーニングすることです。 その結果, 複雑な地形相互作用, 人体形状の変化, 多様な行動を伴う身体的可視な人体運動が得られた。
  論文  参考訳（メタデータ） (2022-03-26T12:48:41Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。