論文の概要: Learning Robot Policies for Whole-Body Mobility Assistance via Dynamic Human Motion Generation

• arxiv url: http://arxiv.org/abs/2610.17750v1
• Date: Tue, 13 Oct 2026 05:30:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:24:21.742995
• Title: Learning Robot Policies for Whole-Body Mobility Assistance via Dynamic Human Motion Generation
• Title（参考訳）: 動的人体運動生成による全身運動支援のための学習ロボット政策
• Abstract要約: 本稿では,全身支援ロボットポリシーを学習するためのシミュレーションベースのフレームワークを提案する。 移動マニピュレータのための,セグメント化された人点雲とロボットの関節位置を全身動作にマッピングする3次元拡散ポリシーを訓練する。 その結果、ロボットポリシーはシミュレーションにおいてSit-to-Stand(STS)とLift-and-Transfer(L&T)の両方のアシストを実行することに成功した。
• 参考スコア（独自算出の注目度）: 9.082355794261376
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic assistance for human mobility could benefit care recipients and reduce caregiver burden during physically demanding tasks such as Sit-to-Stand (STS) and Lift-and-Transfer (L&T). Learning robot policies for these whole-body assistive tasks is challenging: real-world data collection for human-robot interaction is costly and safety-critical, making simulation an attractive alternative. Prior work, however, typically treats the human as static or minimally responsive and thus fails to capture the cooperative nature of mobility assistance. We present a simulation-based framework for learning whole-body assistive robot policies. At its core is a human policy trained with an adversarial motion prior that produces realistic care-recipient motion in response to the robot's actions. A human-adaptive scripted controller interacts with this policy to collect diverse robot demonstrations at scale. From these demonstrations, we train 3D diffusion policies that map segmented human point clouds and robot joint positions to whole-body actions for a mobile manipulator, without relying on privileged human state at deployment. The resulting robot policies successfully perform both STS and L&T assistance in simulation. Preliminary experiments further demonstrate sim-to-real transfer for STS after fine-tuning on a small amount of real-world data. Videos are available on our project page: https://rchi-lab.github.io/human-gen-mobility-assistance/
• Abstract（参考訳）: Sit-to-Stand (STS) や Lift-and-Transfer (L&T) のような物理的に要求されるタスクにおいて、人間の移動に対するロボット支援は介護者の負担を軽減することができる。 人-ロボットインタラクションのための実世界のデータ収集はコストがかかり、安全性が重要で、シミュレーションが魅力的な代替手段になる。 しかしながら、以前の研究は通常、人間を静的または最小限の応答性として扱うため、移動支援の協調的な性質を捉えることができない。 本稿では,全身支援ロボットポリシーを学習するためのシミュレーションベースのフレームワークを提案する。 中心となるのは、ロボットの行動に反応して現実的なケア・プライド動作を生み出す、敵の動きで訓練された人間のポリシーである。 人間適応型スクリプトコントローラは、このポリシーと相互作用し、多様なロボットのデモを大規模に収集する。 これらの実験から,ロボットの関節位置とセグメント化された人点雲を移動マニピュレータの全身動作にマッピングする3次元拡散ポリシーを,配置時に特権的な人間状態に頼ることなく訓練する。 結果として得られたロボットポリシーは、STSとL&Tの両方でシミュレーションに成功している。 予備実験では、少数の実世界のデータを微調整した後、STSのシミュレート・トゥ・リアル転送がさらに実証された。 ビデオはプロジェクトのページで公開されている。

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)
• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• From Human Hands to Robot Arms: Manipulation Skills Transfer via Trajectory Alignment [36.08997778717271]
  現実世界のロボットの多様な操作スキルを学ぶことは、高価でスケールの難しい遠隔操作によるデモンストレーションに依存することでボトルネックとなる。 本稿では,操作終端の3次元軌跡を統一中間表現として利用することにより,この実施ギャップを橋渡しする新しいフレームワークであるTraj2Actionを紹介する。 我々の方針はまず,人間とロボットの両方のデータを活用することで,高レベルの運動計画を形成する粗い軌道を生成することを学習する。
  論文  参考訳（メタデータ） (2025-10-01T04:21:12Z)
• Toward Human-Robot Teaming: Learning Handover Behaviors from 3D Scenes [28.930178662944446]
  本稿では,RGB画像のみから,人間とロボットのハンドオーバに着目したHRTポリシーのトレーニング手法を提案する。 ロボットグリップに装着したカメラでキャプチャした画像アクション対を含むロボットデモを生成する。 これにより、再構成シーンにおけるシミュレートされたカメラポーズ変更を直接グリップポーズ変更に変換することができる。
  論文  参考訳（メタデータ） (2025-08-13T14:47:31Z)
• Expressive Whole-Body Control for Humanoid Robots [20.132927075816742]
  我々は、人間の動きをできるだけリアルに模倣するために、人間サイズのロボットで全身制御ポリシーを学習する。 シミュレーションとSim2Real転送のトレーニングにより、私たちのポリシーはヒューマノイドロボットを制御して、さまざまなスタイルで歩いたり、人と握手したり、現実世界で人間と踊ったりできる。
  論文  参考訳（メタデータ） (2024-02-26T18:09:24Z)
• Learning Human-to-Robot Handovers from Point Clouds [63.18127198174958]
  視覚に基づく人間ロボットハンドオーバの制御ポリシーを学習する最初のフレームワークを提案する。 シミュレーションベンチマーク,sim-to-sim転送,sim-to-real転送において,ベースラインよりも大きな性能向上を示した。
  論文  参考訳（メタデータ） (2023-03-30T17:58:36Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• Learning Bipedal Robot Locomotion from Human Movement [0.791553652441325]
  本研究では、実世界の二足歩行ロボットに、モーションキャプチャーデータから直接の動きを教えるための強化学習に基づく手法を提案する。 本手法は,シミュレーション環境下でのトレーニングから,物理ロボット上での実行へシームレスに移行する。 本研究では,ダイナミックウォークサイクルから複雑なバランスや手振りに至るまでの動作を内製したヒューマノイドロボットについて実演する。
  論文  参考訳（メタデータ） (2021-05-26T00:49:37Z)

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。