論文の概要: ATHLETE: Learning Reactive Humanoid Tennis via Trajectory-Guided Motion Matching
- arxiv url: http://arxiv.org/abs/2610.13572v1
- Date: Fri, 09 Oct 2026 13:25:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.600024
- Title: ATHLETE: Learning Reactive Humanoid Tennis via Trajectory-Guided Motion Matching
- Title（参考訳）: ATHLETE: 軌道誘導型モーションマッチングによるリアクティブヒューマノイドテニスの学習
- Abstract要約: ATHLETEは、一般的なロコモーションデータや通常のテニスビデオから、リアクティブなヒューマノイドテニスを学ぶためのフレームワークである。
本物のヒューマノイドロボットでは、ATHLETEはそれぞれ90.00%$と8.67%$のフォアハンドとバックハンドのヒット率を達成した。
- 参考スコア（独自算出の注目度）: 14.314752242570727
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Humanoid tennis requires reactive whole-body coordination under rapidly changing ball dynamics, yet collecting task-specific motion-capture demonstrations that cover diverse approach states, contact locations, and timing conditions is costly. Inspired by how humans acquire new skills by combining reusable motor experience with task-specific demonstrations, we present ATHLETE, a framework for learning reactive humanoid tennis from generic locomotion data and ordinary tennis videos. ATHLETE combines LAFAN1 locomotion with video-derived striking motions and uses Trajectory-Guided Motion Matching (TGMM) to construct diverse task-conditioned whole-body references. These references are transformed into a reactive policy through physics-based teacher--student learning with online DAgger distillation, followed by PPO fine-tuning for the tennis task. The resulting policy responds directly to robot and ball observations without requiring reference-motion inputs at deployment. On a real humanoid robot, ATHLETE achieves forehand and backhand hit rates of $90.00\%$ and $86.67\%$, respectively, and enables multi-shot rallies with human players. These results demonstrate that ATHLETE can learn dynamic humanoid tennis skills from reusable locomotion data and video demonstrations. Result videos and code can be found at https://anonymous.4open.science/w/ATHLETE2027/.
- Abstract（参考訳）: ヒューマノイドテニスは、急速に変化するボールダイナミクスの下で、反応性のある全身調整を必要とするが、様々なアプローチ状態、接触位置、タイミング条件をカバーするタスク固有のモーションキャプチャーのデモンストレーションを収集することは、コストがかかる。
ATHLETEは, 一般的な運動データと通常のテニスビデオから, 反応型ヒューマノイドテニスを学習するためのフレームワークである。
ATHLETEは、LAFAN1ローコモーションとビデオ由来のヒットモーションを組み合わせ、TGMM(Trajectory-Guided Motion Matching)を使用して、多様なタスク条件の全身参照を構築する。
これらの参照は、オンラインDAgger蒸留による学生学習と、PPOによるテニスタスクの微調整によって、物理ベースの教師による反応的ポリシーに変換される。
結果として得られたポリシーは、デプロイ時に参照モーション入力を必要とせずに、ロボットとボールの観察に直接応答する。
実際のヒューマノイドロボットでは、ATHLETEは、それぞれ90.00\%$と86.67\%$のフォアハンドとバックハンドのヒット率を達成し、人間プレイヤーとのマルチショットライリーを可能にする。
これらの結果から, ATHLETEは, 再利用可能なロコモーションデータやビデオデモから, 動的ヒューマノイドテニススキルを習得できることが示唆された。
結果のビデオとコードはhttps://anonymous.4open.science/w/ATHLETE2027/で見ることができる。
関連論文リスト
- Being-M0.7: A Latent World-Action Model for Humanoid Robots [52.49928557294444]
我々は,人間のデータから学習した視覚的動きを,事前学習,ロボットのミッドトレーニング,アクションポストトレーニングを通じてヒューマノイド制御に伝達する潜在世界行動モデルであるBeing-M0.7を提案する。
我々は、1万時間以上の生の人中心データからコーパスをキュレートし、ビデオのみ、モーションのみ、およびペア化されたビデオモーションストリームを統合して、補完的な視覚力学と全身の運動構造を学習する。
Be-M0.7はSIMPLEで比較したベースラインの中で最高成功率に達し、現実世界のUnitree G1ロコ操作タスクで最強のベースラインと一致する。
論文 参考訳（メタデータ） (2026-10-08T05:49:24Z) - Towards Professional Tennis Styles for Humanoid Robots with Adaptive Motion Planning and Tracking [25.008696122611877]
本稿では,適応型モーションプランニング・トラッキングフレームワークであるAdaPTを提案する。
AdaPTはプロテニスのサーブとラリーのスタイルを放送ビデオから直接学習する。
ユニツリーG1における実世界の実験は、我々の適応機構の有効性を実証している。
論文 参考訳（メタデータ） (2026-08-20T14:19:36Z) - TaskNPoint: How to Teach Your Humanoid to Hit a Backhand in Minutes [27.77701100232245]
これは、ヒューマノイドロボットにダイナミックスキルを教えるための正しいレシピでもある、と我々は主張する。
TaskNPointは、コーチ・ラーナーの労働部門を明示するトレーニングプロトコルである。
このアプローチは、人間によって投げられたボールに対して前手と後ろ手を打ち、入ってくるサッカーボールを蹴り、新しい場所から箱を拾い、配置するUnitree G1ヒューマノイド上でテストする。
論文 参考訳（メタデータ） (2026-06-24T17:56:30Z) - Learning Athletic Humanoid Tennis Skills from Imperfect Human Motion Data [36.20520265640828]
LATENTは、不完全なヒトモチオN daTaからAthletic humanoid TEnnisスキルを学ぶシステムである。
提案手法は,実世界において驚くべき結果が得られ,人間プレイヤーとのマルチショットラリーを安定的に維持することができる。
論文 参考訳（メタデータ） (2026-03-13T06:02:30Z) - DexDribbler: Learning Dexterous Soccer Manipulation via Dynamic Supervision [26.9579556496875]
移動物体の協調操作と,サッカーなどの足による移動は,学習コミュニティにおいて目立たない注目を集める。
出力をダイナミックな関節レベル移動監視として使用し,必要な身体レベルの動きを正確に計算するフィードバック制御ブロックを提案する。
我々は,我々の学習手法が政策ネットワークをより早く収束させるだけでなく,サッカーロボットが高度な操作を行うことを可能にすることを観察した。
論文 参考訳（メタデータ） (2024-03-21T11:16:28Z) - BeTAIL: Behavior Transformer Adversarial Imitation Learning from Human Racing Gameplay [48.75878234995544]
模倣学習は、手作りの報酬関数を必要とせずに、デモンストレーションからポリシーを学ぶ。
本稿では,BeTAIL: Behavior Transformer Adversarial Imitation Learningを提案する。
我々は,Gran Turismo Sportにおけるリアルヒューマンゲームプレイのエキスパートレベルのデモンストレーションで,BeTAILを3つの課題でテストした。
論文 参考訳（メタデータ） (2024-02-22T00:38:43Z) - Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。
まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。
次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
論文 参考訳（メタデータ） (2023-10-06T20:48:43Z) - UniCon: Universal Neural Controller For Physics-based Character Motion [70.45421551688332]
大規模動作データセットから学習することで,異なるスタイルで数千の動作を習得する物理ベースのユニバーサルニューラルコントローラ(UniCon)を提案する。
UniConは、キーボード駆動制御をサポートし、ロコモーションとアクロバティックスキルの大きなプールから引き出されたモーションシーケンスを作成し、ビデオで撮影した人を物理ベースの仮想アバターにテレポートする。
論文 参考訳（メタデータ） (2020-11-30T18:51:16Z)
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。