論文の概要: VICAR: Video Imitation with Contact-Aware Retargeting for Humanoid Interactive Skills
- arxiv url: http://arxiv.org/abs/2610.13079v1
- Date: Fri, 09 Oct 2026 06:34:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.430502
- Title: VICAR: Video Imitation with Contact-Aware Retargeting for Humanoid Interactive Skills
- Title（参考訳）: VICAR:ヒューマノイドインタラクティブスキルのためのコンタクトアウェアリターゲティングによる映像模倣
- Abstract要約: 3人目の人間ビデオは、タスク固有の報酬工学、遠隔操作、ヒューマノイドのロコ操作のための手動スクリプトによるデモに代わるスケーラブルな代替手段を提供する。
最近のビデオからヒューマノイドのシステムは、ノイズの多い人間の動き、物体の軌跡、接触を非構造ビデオから抽出できることを示した。
VICARは人型ビデオから人型インタラクティブなスキルを学習するためのパイプラインである。
- 参考スコア（独自算出の注目度）: 6.114397439286871
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Third-person human videos offer a scalable alternative to task-specific reward engineering, teleoperation, and manually scripted demonstrations for humanoid loco-manipulation. Recent video-to-humanoid systems have shown that noisy human motion, object trajectories, and contacts can be extracted from unstructured videos and refined into deployable skills. However, a key gap remains for contact-rich imitation: the task is often defined by world-frame contacts whose poses, timing, and speed must survive embodiment mismatch and runtime scene changes. Towards this, we present VICAR (Video Imitation with Contact-Aware Retargeting), a pipeline for learning humanoid interactive skills from third-person human videos. The system first recovers human motion, reconstructs task-relevant obstacles from monocular video, and then retargets the motion to a humanoid while preserving global contact poses, motion speed, and collision clearance. Unlike retargeting methods that only remove penetration or preserve local interaction geometry, our formulation represents user-specified contact poses and collision clearance as high-priority Lagrangian penalty terms and optimizes the full motion to remain smooth through contact-rich transitions. The resulting motions are used to train a contact-conditioned motion generator whose inputs include movable contact points enabling runtime adaptation to new contact positions. We demonstrate the framework on ten diverse third-person video skills, including six table-tennis serves, three object-pickup tasks, and ladder climbing, and deploy the learned skills on hardware. These results suggest that contact-preserving retargeting is a practical step toward humanoids that learn useful interactive behavior by watching humans.
- Abstract（参考訳）: 3人目の人間ビデオは、タスク固有の報酬工学、遠隔操作、ヒューマノイドのロコ操作のための手動スクリプトによるデモに代わるスケーラブルな代替手段を提供する。
最近のビデオからヒューマノイドシステムでは、ノイズの多い人間の動き、物体の軌跡、接触を非構造化ビデオから抽出し、展開可能なスキルに洗練することができる。
タスクは、しばしば、ポーズ、タイミング、スピードが実施ミスマッチや実行時のシーンの変化に耐えなければならない世界フレームのコンタクトによって定義される。
そこで本研究では,VICAR(Video Imitation with Contact-Aware Retargeting)について紹介する。
システムはまず、人間の動きを回復し、モノクロ映像からタスク関連障害物を再構築し、世界的接触ポーズ、動き速度、衝突クリアランスを保ちながら、その動きをヒューマノイドに再ターゲットする。
浸透や局所的相互作用の幾何のみを除去する再ターゲティング法とは異なり、当社の定式化は、ユーザ指定の接触ポーズと衝突クリアランスを、高優先度のラグランジアンペナルティ用語として表現し、接触リッチな遷移を通じてスムーズな動きを保ち続けるよう最適化する。
結果として生じる動きは、新しい接触位置への実行時適応を可能にする可動接触点を含む入力を含む接触条件運動発生器を訓練するために使用される。
6つのテーブルテニスサービス、3つのオブジェクトピックアップタスク、はしご登り、そして学習したスキルをハードウェアにデプロイするなど、このフレームワークをデモした。
これらの結果から,人間を観察することで対話行動を学ぶヒューマノイドにとって,接触保存リターゲティングは実践的なステップであることが示唆された。
関連論文リスト
- Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。
これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。
その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
論文 参考訳（メタデータ） (2026-10-05T11:08:50Z) - CoDance: Learning Reactive and Compliant Human-Humanoid Interaction from Video [2.9350019437529427]
CoDanceは、ビデオからリアクティブで準拠する人間-ヒューマノイドインタラクションを学ぶためのフレームワークである。
我々は、人間型ロボットが動きのパートナーと歩数を調整するという、困難な瞬間として、パートナーダンスを研究した。
CoDanceは、人間のパートナーと持続的な2手舞踊を可能にし、前方と後方の運動の繰り返しの遷移を含む。
論文 参考訳（メタデータ） (2026-10-04T15:46:15Z) - HIGenNTO: Scalable Humanoid Interaction Generation via Noise-Space Trajectory Optimization [20.181113523841386]
本稿では,ヒューマノイドとシーンのインタラクション・モーション・リファレンスを合成するフレームワークHIGenNTOについて述べる。
ロボット環境とロボット対象タスク全体にわたって、HIGenNTOはトラッキングポリシによって実行可能な動作を生成する。
これらのポリシーをUnitree G1上に4つのコンタクト豊富なタスクにデプロイします。
論文 参考訳（メタデータ） (2026-09-18T21:52:56Z) - GenHOI: Contact-Aware Humanoid-Object Interaction by Imitating Generated Videos without Task-Specific Training [20.414478780328437]
既存の方法は、しばしば時間を要するタスク固有のポリシートレーニングを必要とするか、厳格な軌跡の再生に依存している。
我々は,人型ロボットがゼロショット方式で多様なオブジェクトインタラクションタスクを実行できるフレームワークであるtextitGenHOIを提案する。
提案手法を多種多様なオブジェクト・インタラクション・タスクにまたがる広範囲なシミュレーションおよび実世界の実験で検証する。
論文 参考訳（メタデータ） (2026-06-11T07:31:05Z) - MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。
現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
論文 参考訳（メタデータ） (2026-02-17T17:09:45Z) - CRISP: Contact-Guided Real2Sim from Monocular Video with Planar Scene Primitives [65.89192712575797]
本研究では,モノクロ映像から再現可能な人物の動きとシーン形状を復元するCRISPを紹介する。
我々の手法は、人中心のビデオベンチマークにおいて、モーショントラッキングの失敗率を55.2%から6.9%に下げる。
このことは、CRISPが物理的に有意な人間の動きと対話環境を大規模に生成する能力を示している。
論文 参考訳（メタデータ） (2025-12-16T18:59:50Z) - Synthesizing Diverse Human Motions in 3D Indoor Scenes [16.948649870341782]
そこで本研究では,仮想人間による3次元屋内シーンの映像化手法を提案する。
既存のアプローチは、キャプチャーされた人間の動きと、それらが相互作用する3Dシーンを含むトレーニングシーケンスに依存している。
仮想人間が3Dシーンをナビゲートし、現実的かつ自律的にオブジェクトと対話できる強化学習ベースのアプローチを提案する。
論文 参考訳（メタデータ） (2023-05-21T09:22:24Z) - Estimating 3D Motion and Forces of Human-Object Interactions from
Internet Videos [49.52070710518688]
一つのRGBビデオからオブジェクトと対話する人の3D動作を再構築する手法を提案する。
本手法では,被験者の3次元ポーズを物体のポーズ,接触位置,人体の接触力とともに推定する。
論文 参考訳（メタデータ） (2021-11-02T13:40:18Z) - Weakly Supervised Human-Object Interaction Detection in Video via
Contrastive Spatiotemporal Regions [81.88294320397826]
システムは、ビデオに人間と物体の相互作用が存在するか、あるいは人間と物体の実際の位置を知らない。
文節から収集した人-物間相互作用による6.5k以上のビデオからなるデータセットを提案する。
ビデオデータセットのアノテーションに適応した弱教師付きベースラインの性能向上を実証した。
論文 参考訳（メタデータ） (2021-10-07T15:30:18Z) - Learning Motion Priors for 4D Human Body Capture in 3D Scenes [81.54377747405812]
LEMO: LEMO: LEARING Human Motion priors for 4D human body capture。
提案手法では, 連続して復元されたポーズによって現れるジッタを減少させる新規な動きを事前に導入する。
また, 接触摩擦項と, 物体ごとの自己監督訓練により得られる接触認識運動充填剤を設計した。
パイプラインでは、高品質な4D人体撮影、スムーズな動きの再構築、身体とシーンの相互作用を実演しています。
論文 参考訳（メタデータ） (2021-08-23T20:47:09Z)
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。