論文の概要: TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments

• arxiv url: http://arxiv.org/abs/2610.17999v1
• Date: Tue, 13 Oct 2026 09:02:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:47:41.828757
• Title: TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments
• Title（参考訳）: TRACE:人体全体にわたる神経系全体制御のための効率的な伝達学習
• Abstract要約: 本稿では,効率的なクロスボデーメント適応のためのフレームワークであるTRACEについて述べる。 TRACEはまず、入力と出力の射影層にキネマティック先行を注入し、名目上の関節力学を整列させる。 次に、エンコーダ蒸留と低ランク強化学習を、コンパクトで高品質なモーションセットで組み合わせる。
• 参考スコア（独自算出の注目度）: 8.279603530131153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid behavior foundation models (BFMs) enable diverse whole-body control, but adapting a pretrained controller to a new embodiment remains challenging because of kinematic and dynamic mismatch. We present TRACE, a framework for efficient cross-embodiment adaptation that preserves pretrained motion representations while specializing feedback control to the target robot.TRACE first injects kinematic priors into input and output projection layers and aligns nominal joint dynamics to reduce embodiment mismatch and support stable fine-tuning. It then combines encoder distillation with low-rank reinforcement learning on a compact, quality-screened motion set, using a two-phase curriculum to establish stable tracking before refining difficult motions. We apply TRACE to transfer SONIC from Unitree G1 to Unitree H2 using 10 million motion frames and approximately eight hours of training on a single RTX PRO 6000 GPU, at less than 0.1% of the GPU-hour cost of training SONIC from scratch. The adapted controller achieves 96.08\% success on 67,953 evaluation motions under a height-scaled tracking criterion. Real-robot demonstrations span dynamic motion tracking and whole-body teleoperation, with collected demonstrations supporting downstream vision-language-action policy post-training. These results demonstrate practical reuse of a pretrained humanoid controller across robots with different body scales and dynamics.
• Abstract（参考訳）: ヒューマノイド行動基礎モデル(BFM)は、多種多様な全身制御を可能にするが、運動的および動的ミスマッチのため、事前訓練されたコントローラを新しい実施形態に適応することは困難である。 本稿では,対象ロボットにフィードバック制御を施しながら,事前学習した動作表現を保存し,入力・出力のプロジェクション層にキネマ前駆体を注入し,具体的ミスマッチを低減し,安定した微調整を支援する,効率的なクロスボデーメント適応のためのフレームワークであるTRACEについて述べる。 次に、エンコーダ蒸留と、コンパクトで高品質なスクリーン付きモーションセット上での低ランク強化学習を組み合わせて、2段階のカリキュラムを使用して、難しいモーションを精製する前に安定したトラッキングを確立する。 我々は1台のRTX PRO 6000 GPUで1000万のモーションフレームと約8時間のトレーニングを行ない、SONICをUnitree G1からUnitree H2に転送するためにTRACEを適用した。 適応制御器は、67,953個の評価動作に対して96.08\%の成功をハイスケール追従基準下で達成する。 実ロボットのデモは、ダイナミックモーショントラッキングと全身遠隔操作にまたがっており、下流での視覚-言語-行動ポリシーのトレーニングをサポートするデモが収集されている。 これらの結果は,体規模や運動量が異なるロボット間で,事前訓練されたヒューマノイドコントローラの実用的再利用を実証するものである。

関連論文リスト

• WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation [30.730467262133544]
  本稿では,WB-WAMについて述べる。WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAMの3つを紹介する。 共有された物理アクション空間は、異種ソースからの体、根、および異種手アノテーションを統合し、共同ビデオとアクション学習を可能にする。 我々はHumanoidArenaで81.9%の強い全身タスク性能を示し、実際の実験では5つのタスクで84.0%の成功率でWB-WAMを検証する。
  論文  参考訳（メタデータ） (2026-09-28T03:11:19Z)
• SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
  人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。 タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:03:14Z)
• ZEST: Zero-shot Embodied Skill Transfer for Athletic Robot Control [37.4764082674475]
  本稿では,多種多様な情報源からの強化学習を通じて政策を訓練する動きの合理化フレームワークであるZESTを紹介する。 ZESTは、連絡先ラベル、参照または観察ウィンドウ、状態推定器、広範囲な報酬形成を避けながら、行動やプラットフォームをまたいで一般化する。 ボストン・ダイナミクスのアトラス・ヒューマノイドで、ZESTはモーションキャプチャーからダイナミックでマルチコンタクトのスキル(例えば、陸軍のクロール、ブレイクダンス)を学ぶ。
  論文  参考訳（メタデータ） (2026-01-30T23:35:02Z)
• SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
  モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。 我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。 本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
  論文  参考訳（メタデータ） (2025-11-11T04:37:40Z)
• One-shot Humanoid Whole-body Motion Learning [18.375746497945023]
  通常、動作カテゴリごとに複数のトレーニングサンプルを必要とする。 本研究では,1つの非歩行目標運動サンプルのみを用いて,効果的なヒューマノイド運動ポリシーを訓練する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-29T07:48:10Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)

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。