論文の概要: CopyQuad: Quadrupedal Skill Transfer from a Single Side-View Video Without a Depth Model
- arxiv url: http://arxiv.org/abs/2610.16737v1
- Date: Mon, 12 Oct 2026 13:06:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 21:41:43.653737
- Title: CopyQuad: Quadrupedal Skill Transfer from a Single Side-View Video Without a Depth Model
- Title（参考訳）: CopyQuad:深度モデルのない1つのサイドビュービデオから四足歩行のスキルを移行
- Abstract要約: 四脚模倣のためのビデオとロボットのパイプラインは、学習された昇降ステージを挿入し、サイドビューカメラが見えない一軸を回復する。
我々は、そのステージを省略し、行方不明の軸をロボット自身の姿勢幅に固定するCopyQuadを提案する。
- 参考スコア（独自算出の注目度）: 6.632254395574993
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video-to-robot pipelines for quadrupedal imitation insert a learned lifting stage, either a monocular depth model or a per-clip 3D reconstruction, to recover the one axis a side-view camera cannot see. We present CopyQuad, which omits that stage and pins the missing axis to the robot's own stance width instead. The setting is side-view footage of sagittally dominated motion, where limb motion is almost entirely in the image plane. A frozen 2D keypoint detector and a fixed analytic retargeting then turn a single uncalibrated clip into a robot reference whose foot targets are reachable by construction, so no per-clip trajectory optimization is needed. One phase-indexed reward structure, whose only per-behavior freedom is three scalars from a shared sweep, learns a dog walk, a horse walk, a horse trot and two non-periodic gestures, all deployed zero-shot on hardware. We then measure what omitting the axis costs. In a training-free rigidity test, a video depth model varies the distance between the animal's hips by $40$ to $107\%$ of its own mean and a single-image metric model by $22$ to $58\%$, though that distance cannot move. Motion capture puts the true lateral paw travel of a dog walk at $4.5$ cm peak to peak, a mean deviation near $1.4$ cm against the $3.5$ cm of lateral foot error our policies already leave, so the discarded axis sits below the pipeline's resolution. Depth repaired to feasibility never beats the constant, and the unrepaired estimates put the robot on the ground.
- Abstract（参考訳）: 四脚模倣用ビデオ・ロボット・パイプラインは、単眼深度モデルまたはクリップごとの3D再構成のいずれかの学習された昇降ステージを挿入し、サイドビューカメラでは見えない一軸を回復する。
我々は、そのステージを省略し、行方不明の軸をロボット自身の姿勢幅に固定するCopyQuadを提案する。
この設定は、手足の動きがほぼすべて画像平面内にある、矢状的に支配された動きのサイドビュー映像である。
凍結した2Dキーポイント検出器と固定解析リターゲットにより、1つの未校正されたクリップを、建設によって足の目標が到達可能なロボット参照に変換するため、クリップ毎の軌道最適化は不要である。
1つのフェーズインデクシングされた報酬構造は、行動ごとの自由は共有スイープから3つのスカラーのみであり、犬の散歩、馬の散歩、馬のトロット、2つの非周期的なジェスチャーを学習し、すべてハードウェア上にゼロショットを配置する。
次に、軸を省略するコストを測定します。
トレーニングなし剛性試験では、ビデオ深度モデルは、動物の股関節間の距離を40ドルから107ドル%、シングルイメージのメートル法モデルを22ドルから528ドルと変化させるが、その距離は移動できない。
モーションキャプチャーは、犬の歩行の真の横足の移動を4.5$ cmのピークからピークまで、つまり政策がすでに残っていた3.5$ cmの横足誤差に対して1.4$ cmに近い平均偏差を与えるので、捨てられた軸はパイプラインの解像度より下に位置する。
修理された深度が一定値を上回ることはなく、未確認の見積もりでロボットは地面に浮かび上がる。
関連論文リスト
- RECAST: Recasting Vision-Language Semantics into an Actionable Cost Map for Robot Navigation [55.481757624043034]
RECASTは、VLMの推論と視覚基盤モデルの空間的接地を組み合わせたロボットナビゲーションフレームワークである。
シミュレーションでは13.3ポイント、実四重奏では31.4ポイントで最強の先行法よりも成功率を向上させる。
衝突速度を9.6点、14.3点に減らし、全ての方法の中で最も低い衝突速度に達する。
論文 参考訳（メタデータ） (2026-09-26T13:13:45Z) - Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane [52.210414985125816]
立体視内容が、負の相違に対応するゼロの相違面の背後にある物体をどう含んでいるかを示す。
撮影者が作成した7本の公開映画から21,495ドルのステレオペアのベンチマークである textitZDPShift を提案する。
同じシーンコンテンツでは、ファンデーションは25.24ドルEPEから75.33ドルpxに上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。
論文 参考訳（メタデータ） (2026-09-06T19:58:35Z) - Macro-Action Topological Navigation under Noisy Localization using Reinforcement Learning [0.0]
原画素から大規模で光写実的な3Dマンションをナビゲートすることは、平易な強化学習には不可能であると考えられている。
私たちは、カメラだけで自分のポーズを推定して、それを行うエージェントを構築します。
エージェントは連続していくつかの対象オブジェクトに到達し、その位置はエピソードによって変化するため、それらを見つけるために探索する必要がある。
論文 参考訳（メタデータ） (2026-08-24T09:57:43Z) - DreamHand: Repurposing Video Diffusion Models for Occlusion-Robust Egocentric 3D Hand Motion Recovery [51.92897182932217]
Egocentric Videoは、組み込みAIのためのスケーラブルな操作データを提供する。
しかし、重度物体の閉塞と頻繁な視界外ギャップのため、3次元手指軌跡の復元は困難である。
オフラインのクリップレベルフレームワークであるDreamHandを導入し、決定論的クリーンレイテンシを使って機能を抽出し、双方向時空間デコーダでデコードする。
論文 参考訳（メタデータ） (2026-08-20T17:46:24Z) - Kepler-Encoder-v0.1: Towards a Multimodal Embedding Model for Robots [7.140499031711496]
力と接触力は1フレームにはほとんど痕跡がなく、生の視力はテスト対象のロボットで0.10ドル以下でR2ドル以下で読み取られる。
本稿では、ロボットの状態をモダリティとして扱い、視覚、プロプレセプション、力/トルクを1つの共有潜水器に融合するロボットファーストマルチモーダルエンコーダであるKepler-Encoder-v0.1を紹介する。
ホールドアウトシーンでは、視覚のみの潜伏剤がエンドエフェクター状態を回復し、特に、生の凍結したViT特徴と、すべてのセンサー付きロボットのコンピュータマッチングされた視覚のみの制御を大きく上回っている。
論文 参考訳（メタデータ） (2026-07-15T07:21:00Z) - GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。
GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。
我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。
GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
論文 参考訳（メタデータ） (2026-06-03T17:57:45Z) - Improving 3D Foot Motion Reconstruction in Markerless Monocular Human Motion Capture [27.716195049685524]
最先端の方法では、Wildのビデオから正確な3Dの人体の動きを復元することができる。
彼らはしばしば、特に足の細かい関節を捉えるのに失敗し、歩行分析やアニメーションなどの応用に欠かせない。
このギャップを既存の人間の回復モデルにより推定された足の動きを洗練させるフットモーションリファインメント法であるフットMRを用いて解決する。
論文 参考訳（メタデータ） (2026-03-10T13:48:14Z) - Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。
まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。
この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。
両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
論文 参考訳（メタデータ） (2024-09-26T17:57:16Z) - Legged Locomotion in Challenging Terrains using Egocentric Vision [70.37554680771322]
本稿では,階段,縁石,石段,隙間を横断できる最初のエンドツーエンド移動システムを提案する。
この結果を,1台の前面深度カメラを用いた中型四足歩行ロボットに示す。
論文 参考訳（メタデータ） (2022-11-14T18:59:58Z)
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。