論文の概要: VioLA: Learning Generalist Humanoid Control Policies from Human Data

• arxiv url: http://arxiv.org/abs/2610.12435v1
• Date: Thu, 08 Oct 2026 17:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.246011
• Title: VioLA: Learning Generalist Humanoid Control Policies from Human Data
• Title（参考訳）: VioLA:人間データから一般のヒューマノイドコントロールポリシーを学ぶ
• Abstract要約: VioLAは人体と手の動きを予測するヒューマノイドのポリシーである。 タスク固有の微調整なしで、実際のロボットのゼロショットの移動指示に従う。
• 参考スコア（独自算出の注目度）: 91.11609447813039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teaching a humanoid to follow instructions with its whole body runs into two obstacles. Its action space is large and tightly coupled: legs, arms, and fingers must move together while the robot keeps its balance, which makes joint-level actions hard to learn. And humanoid demonstrations are scarce, so current humanoid generalist policies do not follow new instructions out of the box and are fine-tuned on teleoperated demonstrations of each task before deployment. Human demonstrations exist in far larger numbers, but a person's motion is not a robot command. We remove both obstacles by changing what the generalist policy predicts. We introduce VioLA, a generalist humanoid policy that predicts body and hand motion latents instead of joint commands. A pretrained body- and hand-controller execute these latents on the robot. Their corresponding motion encoders map human and robot motion into the same latent spaces. A human recording is therefore labeled in the policy's action space, and the training demonstration pool contains 140.6 million frames, 93.2% of them human. As a result, VioLA follows locomotion instructions on the real robot zero-shot, without task-specific fine-tuning, reaching 100% success where GR00T N1.7 and $Ψ_0$ reach 16.7% and 0%, respectively. It also reaches 88.6% manipulation success without task-specific fine-tuning. The same approach works across two VLA and one world-action model backbones. A generalist policy trained on human demonstrations alone performs locomotion tasks on the real robot zero-shot. Code and checkpoints will be released.
• Abstract（参考訳）: ヒューマノイドに全身で指示に従うように教えると、2つの障害にぶつかる。 脚、腕、指は一緒に動かなければならないが、ロボットはバランスを保ち、関節レベルの動作を学習しにくくする。 ヒューマノイドのデモは少ないので、現在のヒューマノイドのジェネリストのポリシーは、最初から新しい指示に従わず、展開前の各タスクの遠隔操作のデモに微調整される。 人間のデモははるかに多く存在するが、人の動きはロボットの指示ではない。 一般政策の予測を変更することで、両方の障害を取り除きます。 関節コマンドの代わりに身体と手の動きを予測できる汎用的なヒューマノイドポリシーであるVioLAを紹介する。 トレーニング済みのボディコントローラとハンドコントローラは、ロボット上でこれらの潜伏者を実行する。 彼らの動きエンコーダは、人間とロボットの動きを同じ潜在空間にマッピングする。 したがって、人間の記録は政策の行動空間にラベル付けされており、トレーニング・デモ・プールには1406万フレームが含まれており、そのうち93.2%が人間である。 結果として、VioLAは、タスク固有の微調整なしで、実際のロボットのゼロショットのローコモーション指示に従い、GR00T N1.7 と $\_0$ はそれぞれ 16.7% と 0% に達した。 また、タスク固有の微調整なしで88.6%の操作が成功している。 同じアプローチは、2つのVLAと1つのワールドアクションモデルバックボーンで機能する。 人間のデモンストレーションだけで訓練されたジェネラリストポリシーは、実際のロボットゼロショット上で移動タスクを実行する。 コードとチェックポイントがリリースされる。

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)
• DexRoam: Learning Mobile Bimanual Dexterous Manipulation from Egocentric Whole-Body Human Demonstrations [39.780100610094884]
  DexRoamは、人間のデモンストレーションからモバイルバイマン的なデキスタラスな操作を学習するためのシステムである。 コンシューマーVRヘッドセットとヘッドマウントステレオカメラのみで、外部カメラやモーショントラッカーを使わずに、トラッカーレスキャプチャシステムを開発した。 次に,ロボットの動作空間に撮影動作をマッピングする,3つの明示的なアライメントステージを実行する。
  論文  参考訳（メタデータ） (2026-09-28T17:59:10Z)
• 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)
• Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
  Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。 主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。 ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
  論文  参考訳（メタデータ） (2026-09-18T09:06:15Z)
• 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)
• HOMIE: Humanoid Loco-Manipulation with Isomorphic Exoskeleton Cockpit [52.12750762494588]
  本稿では,半自律遠隔操作システムHOMIEを紹介する。 ペダルにマッピングされた身体制御のための強化学習ポリシー、腕制御のための異形外骨格アーム、手操作のためのモーションセンシンググローブを組み合わせている。 このシステムは完全なオープンソースであり、デモとコードはhttps://homietele.org/.com/で見ることができる。
  論文  参考訳（メタデータ） (2025-02-18T16:33:38Z)

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。