論文の概要: PartiGen: Part-Aware Representations for Language-Conditioned Humanoid Motion Generation

• arxiv url: http://arxiv.org/abs/2610.13373v1
• Date: Fri, 09 Oct 2026 10:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.540617
• Title: PartiGen: Part-Aware Representations for Language-Conditioned Humanoid Motion Generation
• Title（参考訳）: PartiGen: 言語記述型ヒューマノイド運動生成のための部分認識表現
• Abstract要約: PartiGenは、解剖学的構造を共有された全身運動表現に組み込む、部分認識の潜在拡散フレームワークである。 ユニツリーG1に再ターゲットされたHumanML3Dでは、PartiGenは3.165のセグメントレベルのFIDを実現し、TextOpを16.8%削減し、R@1を1.4ポイント改善した。
• 参考スコア（独自算出の注目度）: 22.85257783231496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Translating language into humanoid motion requires coordinating body parts, determining motion duration, and producing references suitable for robot execution. We introduce PartiGen, a part-aware latent diffusion framework that incorporates anatomical structure into a shared whole-body motion representation. Part-specific attention processes anatomically masked frame features, and its outputs are fused to combine local limb information with whole-body context. Conditioned on text and motion history, the model generates motion primitives autoregressively. Forward-kinematics supervision encourages kinematic consistency, while a learned end-of-sequence predictor selects a frame-level endpoint after generation. On HumanML3D retargeted to the Unitree G1, PartiGen achieves a segment-level FID of 3.165, a 16.8% reduction over TextOp, and improves R@1 by 1.4 percentage points. In the duration study with 16-frame primitives, endpoint prediction reduces mean absolute duration error from 12.471 to 3.080 frames compared with a fixed-length cutoff. We further evaluate robot execution using a pretrained, frozen GRIT tracker: 409 of 500 generated references (81.8%) pass the posture-based stability screen in MuJoCo. Following simulation screening and manual selection, 26 of 27 attempted motions are judged successful on the real G1.
• Abstract（参考訳）: 言語をヒューマノイド運動に変換するには、身体部分の調整、動作時間の決定、ロボットの実行に適した基準の作成が必要である。 解剖学的構造を共有全身運動表現に組み込んだ部分認識潜在拡散フレームワークPartiGenを紹介する。 部分特異的注意処理は、解剖学的にマスキングされたフレームの特徴を処理し、その出力を融合させて、局所的な手足情報と全身コンテキストを結合する。 テキストとモーション履歴に基づいて、モデルが自動回帰的にモーションプリミティブを生成する。 フォワード・キネマティクスの指導はキネマティクスの整合を奨励し、学習されたシーケンス予測器は生成後のフレームレベルエンドポイントを選択する。 ユニツリーG1に再ターゲットされたHumanML3Dでは、PartiGenは3.165のセグメントレベルのFIDを実現し、TextOpを16.8%削減し、R@1を1.4ポイント改善した。 16フレームのプリミティブを用いた持続時間研究では、終端予測は固定長のカットオフと比較して平均絶対時間誤差を12.471フレームから3.080フレームに減少させる。 さらに,凍結したGRITトラッカーを用いて,500件の参照(81.8%)のうち409件がMuJoCoの姿勢に基づく安定画面を通過している。 シミュレーションスクリーニングと手動選択に続いて、実際のG1で27回試みられた動作のうち26回が成功したと判断される。

関連論文リスト

• Traceable Human-to-Humanoid Sign Language Benchmarking [87.8147609048596]
  ヒューマノイド署名は、ビデオから派生した人間の動きを、言語的な動きの手がかりを保持しながらロボットの軌跡に変換する必要がある。 我々は20,648の文レベルの中国語手話列のデータセットとベンチマークであるHuoidCSL-20Kを紹介する。
  論文  参考訳（メタデータ） (2026-09-27T08:24:57Z)
• AcrossVAM1.0: Particle World Modeling for Text-Assisted Robot Video Prediction [14.556446786016787]
  AcrossVAM1.0は、将来の予測をオブジェクト中心の動きと高密度な外観に分解する軽量なテキスト支援ビデオアクションモデルである。 因果的デュアルストリームデコーダは、最後のフレームからのみ符号化された外観とパーティクルレンダリングされた動きを結合する。 多様な実ロボット軌道から構築したVRSベンチマークでは、粒子動力学は持続性よりも誤差を21.0%削減する。
  論文  参考訳（メタデータ） (2026-08-28T16:19:24Z)
• CLAW: Composable Language-Annotated Whole-body Motion Generation [55.99805728566105]
  CLAWは,言語を付加した全身運動データをスケーラブルに生成するためのパイプラインである。 CLAWは運動プランナーから運動プリミティブを構成し、動き、方向、速度、骨盤の高さ、持続時間によってパラメータ化される。 低レベルコントローラは、これらの参照を MuJoCo シミュレーションで追跡し、物理的に接地された軌道を生成する。
  論文  参考訳（メタデータ） (2026-04-13T10:02:04Z)
• ECHO: Edge-Cloud Humanoid Orchestration for Language-to-Motion Control [8.983091538704645]
  本稿では,ヒューマノイドロボットの言語駆動型全身制御のためのエッジホスト型フレームワークECHOを提案する。 クラウドネイティブ拡散に基づくテキスト・トゥ・モーション・ジェネレータは、自然言語命令から動作参照を合成する。 エッジ展開された強化学習トラッカーは、ロボットのクローズドループでそれらを実行する。
  論文  参考訳（メタデータ） (2026-03-17T07:16:18Z)
• 4D Synchronized Fields: Motion-Language Gaussian Splatting for Temporal Scene Understanding [2.2872162489048966]
  現在の4D表現は、幾何学、運動、意味を分離する。 本研究では、4Dシンクロナイズド・フィールズを提案する。 HyperNeRFでは、4Dシンクロナイズド・フィールズが28.52dBのPSNRを達成している。
  論文  参考訳（メタデータ） (2026-03-15T09:32:58Z)
• From Language to Locomotion: Retargeting-free Humanoid Control via Motion Latent Guidance [55.31807046722006]
  既存の言語誘導型ヒューマノイドパイプラインは面倒で信頼できない。 本稿では,言語を基盤とした動作潜伏者に対してヒューマノイドポリシーを規定する言語フリーフレームワークであるRoboGhostを紹介する。 我々は,RoboGhostがデプロイメントの遅延を大幅に低減し,成功率と精度を向上し,スムーズでセマンティックに整合したヒューマノイドを生成することを示す。
  論文  参考訳（メタデータ） (2025-10-16T17:57:47Z)
• Human-Centered Editable Speech-to-Sign-Language Generation via Streaming Conformer-Transformer and Resampling Hook [0.0]
  既存のエンドツーエンドの手話アニメーションシステムは、自然度が低く、顔/身体の表現性が制限され、ユーザ制御ができない。 本稿では,人間中心のリアルタイム音声署名アニメーションフレームワークを提案する。 Unity3D上にデプロイされたシステムでは,13msのフレームイン時間と103msのレイテンシを実現している。
  論文  参考訳（メタデータ） (2025-06-17T16:08:48Z)

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。