論文の概要: Walk Like This: Stylized Locomotion for Physics-Based Characters through Example-Driven Diffusion

• arxiv url: http://arxiv.org/abs/2610.18147v1
• Date: Tue, 13 Oct 2026 10:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 07:12:14.231026
• Title: Walk Like This: Stylized Locomotion for Physics-Based Characters through Example-Driven Diffusion
• Title（参考訳）: 例駆動拡散による物理系キャラクタのためのスティル化ロコモーション
• Abstract要約: 速度とスタイルを独立に制御できる,表現力のある足の移動のためのリアルタイムフレームワークを提案する。 提案手法は,大規模非構造運動データを効率的に利用し,未知のスタイルに一般化する。 本研究では,シミュレーションにおける物理に基づくヒューマノイドキャラクタと物理ロボットを用いて,ロバストなリアルタイム制御と連続的なスタイル変調を示す。
• 参考スコア（独自算出の注目度）: 11.359924799419034
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a real-time framework for expressive legged locomotion that enables independent control over velocity and style. Unlike existing data-driven controllers, which typically require explicit style labels for training, our method efficiently leverages large-scale unstructured motion data and generalizes to unseen styles. We disentangle style from functional locomotion through a tailored sampling strategy used to train a style encoder whose output conditions an autoregressive diffusion model. During inference, the user provides a style reference clip and a joystick velocity command. The diffusion model then generates a kinematic reference tracked by a reinforcement learning controller. To improve user controllability and stylization strength, we propose an attention biasing mechanism and a velocity command correction strategy. We demonstrate our method on a physics-based humanoid character in simulation and on a physical robot, showcasing robust real-time control and continuous style modulation. The results can be best seen in our supplemental video (https://www.youtube.com/watch?v=roFnS6N7nJ4).
• Abstract（参考訳）: 速度とスタイルを独立に制御できる,表現力のある足の移動のためのリアルタイムフレームワークを提案する。 トレーニングに明示的なスタイルラベルを必要とする既存のデータ駆動型コントローラとは異なり,本手法は大規模非構造化動作データを効率的に活用し,未知のスタイルに一般化する。 我々は, 自己回帰拡散モデルで出力条件を規定するスタイルエンコーダを訓練するために, 調整されたサンプリング戦略により, 機能的移動からスタイルを遠ざける。 推論中、ユーザはスタイル参照クリップとジョイスティック速度コマンドを提供する。 拡散モデルは、強化学習コントローラによって追跡された運動基準を生成する。 ユーザ制御性とスタイリゼーション強度を向上させるため,注意バイアス機構と速度指令補正戦略を提案する。 本研究では,シミュレーションにおける物理に基づくヒューマノイドキャラクタと物理ロボットを用いて,ロバストなリアルタイム制御と連続的なスタイル変調を示す。 結果は、私たちの補足ビデオ(https://www.youtube.com/watch?v=roFnS6N7nJ4)で見ることができます。

関連論文リスト

• Learning Whole-Body Humanoid Locomotion via Motion Generation and Motion Tracking [22.8041193953823]
  高次元制御、形態的不安定性、および車載認識を用いた様々な地形へのリアルタイム適応の必要性により、全身のヒューマノイド移動は困難である。 本研究では,参照動作から学んだスキルと地形認識適応を組み合わせた全身ヒューマノイド移動フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-19T09:02:55Z)
• AStF: Motion Style Transfer via Adaptive Statistics Fusor [58.660938790014455]
  本稿では,SDM(Style Distemporalment Module)とHO-SAttn(High-Order Multi-Statistics Attention)を組み合わせた適応統計ファサー(Adaptive Statistics Fusor)を提案する。 実験結果から,より包括的なモデルを提供することで,最先端技術よりも動作スタイルの習熟度が向上することが示唆された。
  論文  参考訳（メタデータ） (2025-11-06T08:51:24Z)
• Learning Velocity and Acceleration: Self-Supervised Motion Consistency for Pedestrian Trajectory Prediction [16.532357621144342]
  本稿では,自己監督型歩行者軌道予測フレームワークを提案する。 我々は速度と加速度情報を利用して位置予測を強化する。 ETH-UCYとStanford Droneのデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2025-03-31T16:17:45Z)
• PRIMAL: Physically Reactive and Interactive Motor Model for Avatar Learning [38.004463823796286]
  我々は,対話型アバターの運動系を生成運動モデルとして定式化する。 基礎モデルの最近の進歩に触発されて,我々はPRIMALを提案する。 このモデルを利用して、Unreal Engineでリアルタイムのキャラクターアニメーションシステムを作成します。
  論文  参考訳（メタデータ） (2025-03-21T21:27:57Z)
• 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)
• Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory Diffusion [83.88829943619656]
  本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。 我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。 本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
  論文  参考訳（メタデータ） (2023-04-04T15:46:42Z)
• Real-World Humanoid Locomotion with Reinforcement Learning [92.85934954371099]
  実世界におけるヒューマノイド移動に対する完全学習型アプローチを提案する。 コントローラーは様々な屋外の地形の上を歩けるし、外乱に対して頑丈で、状況に応じて適応できる。
  論文  参考訳（メタデータ） (2023-03-06T18:59:09Z)
• An Adaptable Approach to Learn Realistic Legged Locomotion without Examples [38.81854337592694]
  本研究は,バネ装荷逆振り子モデルを用いて学習プロセスを導くことで,移動における現実性を保証するための汎用的アプローチを提案する。 モデルのない設定であっても、2足歩行ロボットと4足歩行ロボットに対して、学習したポリシーが現実的でエネルギー効率のよい移動歩行を生成できることを示す実験結果を示す。
  論文  参考訳（メタデータ） (2021-10-28T10:14:47Z)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)

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。