論文の概要: Beyond Kinematic Tracking: Preserving Expressive Characteristics in Humanoid Whole-Body Control
- arxiv url: http://arxiv.org/abs/2610.19393v1
- Date: Wed, 14 Oct 2026 01:39:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.887275
- Title: Beyond Kinematic Tracking: Preserving Expressive Characteristics in Humanoid Whole-Body Control
- Title（参考訳）: キネマティックトラッキングを超えて:ヒューマノイド全体制御における表現特性の保存
- Abstract要約: 全身制御は、ヒューマノイドロボットが表現力のある動作を実行できるようにする上で重要な役割を担っている。
本研究では,振幅,エネルギー,体膨張,身体の傾き,骨盤の高さを目標とした補償目標を持つ残差学習フレームワークを提案する。
各凍結トラッカーに対して、動作固有の残留ポリシーを訓練し、運動カテゴリ間で共有される統一ポリシーに蒸留する。
- 参考スコア（独自算出の注目度）: 8.216391148745453
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole-body control plays a crucial role in enabling humanoid robots to execute expressive motions. Faithful execution requires preserving both the intended action and its expressive characteristics. Existing whole-body trackers typically balance joint and keypoint tracking with physical stability across diverse motions, but these objectives do not necessarily prioritize the expressive characteristics of each action. Our analysis shows that lower average positional tracking error does not guarantee better preservation of dynamic and postural motion characteristics. To address this gap, we propose a residual learning framework with compensation objectives targeting amplitude, energy, body expansion, body lean, and pelvis height. To concentrate compensation while limiting interference with the underlying tracking behavior, motion-aware gating allocates correction capacity according to body-part activity, preserving larger correction ranges in more active parts and restricting them elsewhere. For each frozen tracker, we train motion-specific residual policies and distill them into a unified policy shared across motion categories. Simulation and physical experiments on the Unitree G1 across eight motion categories demonstrate superior preservation of dynamic and postural motion characteristics compared with the corresponding baselines.
- Abstract（参考訳）: 全身制御は、ヒューマノイドロボットが表現力のある動作を実行できるようにする上で重要な役割を担っている。
忠実な実行には、意図されたアクションとその表現的な特性の両方を保存する必要がある。
既存のボディトラッカーは、通常、様々な動作にまたがる物理的安定性と関節とキーポイントトラッキングのバランスをとるが、これらの目的が必ずしも各動作の表現的特性を優先するとは限らない。
解析の結果, 位置追跡誤差が低いほど動的および姿勢運動特性の保存性は向上しないことがわかった。
このギャップに対処するために,振幅,エネルギー,体膨張,身体の傾き,骨盤の高さを目標とした残差学習フレームワークを提案する。
基礎となるトラッキング動作に対する干渉を抑えつつ補償を集中させるため、モーションアウェアゲーティングは、身体部分の活動に応じて補正能力を割り当て、より活発な部分の補正範囲を大きく保ち、他所で制限する。
各凍結トラッカーに対して、動作固有の残留ポリシーを訓練し、運動カテゴリ間で共有される統一ポリシーに蒸留する。
8つの運動カテゴリーにまたがるユニトリーG1のシミュレーションと物理実験は、対応するベースラインと比較して動的および姿勢運動特性の保存性が優れていることを示した。
関連論文リスト
- EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ [67.89251850608498]
EgoExplorerは、ウェアラブルシステムで構築された人間のロボ操作の100時間の視覚モーションタッチ観測所である。
プロの活動に重点を置いて、その連続的な録音は、エゴセントリックなビデオと、再構築された全身の動きとを一致させる。
我々は,このカバーをスパースボディセンシングで実現するために,Calibrate-Complete-Constrainパイプラインを開発した。
論文 参考訳（メタデータ） (2026-10-13T17:59:55Z) - GoStop: Reinforcement Learning for Adaptive Temporal Aggregation in Event-Based Feature Tracking [71.9852231453445]
イベントカメラは低レイテンシとモーションロバストな知覚を可能にし、高速かつ非線形な動作下での機能追跡に適している。
既存のイベントベースの機能トラッキング手法は、イベントの蓄積を手作業で調整する、固定されたルールに依存している。
オンラインイベントベースの特徴追跡のための蓄積過程を適応的に制御する強化学習フレームワークを導入する。
論文 参考訳（メタデータ） (2026-07-17T07:18:07Z) - Classifying daily activities needs posture, reconstructing them needs motion [0.0]
我々は、MoViデータセットからの16日間の活動のビデオを用いて、3つの運動分析戦略を比較した。
運動分類には2つの識別的特徴が認められた。
運動分類において最も有意な9つの重要な関節を同定した。
論文 参考訳（メタデータ） (2026-07-14T19:21:32Z) - Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。
この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。
我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:10:05Z) - 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) - OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。
実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。
実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
論文 参考訳（メタデータ） (2026-02-27T09:12:15Z) - CoDA: Coordinated Diffusion Noise Optimization for Whole-Body Manipulation of Articulated Objects [14.230098033626744]
人工物体の全身操作は、仮想人間やロボット工学の幅広い応用において、非常に困難な作業である。
本研究では,現実的な全身運動を実現するための新しい拡散雑音最適化フレームワークを提案する。
提案手法は,動作品質と身体的可視性において,既存の手法よりも優れていることを示す広範な実験を行う。
論文 参考訳（メタデータ） (2025-05-27T17:11:50Z) - GENMO: A GENeralist Model for Human MOtion [64.16188966024542]
本稿では,1つのフレームワークで動作推定と生成を橋渡しする汎用人体運動モデル GENMO を提案する。
我々の重要な洞察は、出力運動が観測された条件信号を正確に満たさなければならないような制約された動き生成として運動推定を再構成することである。
我々の新しいアーキテクチャは、可変長動きと混合マルチモーダル条件(テキスト、オーディオ、ビデオ)を異なる時間間隔で処理し、柔軟な制御を提供する。
論文 参考訳（メタデータ） (2025-05-02T17:59:55Z) - Task-Generic Hierarchical Human Motion Prior using VAEs [44.356707509079044]
人間の動きを記述する深い生成モデルは、幅広いコンピュータビジョンやグラフィックタスクに役立てることができる。
本稿では,グローバル・ローカル・ラテント・スペースの組み合わせを用いて,特定のタスクに依存しない複雑な人間の動作を学習する手法を提案する。
映像に基づく人間のポーズ推定を含む様々なタスクにおいて,階層的な動き変動自動エンコーダの有効性を実証する。
論文 参考訳（メタデータ） (2021-06-07T23:11:42Z) - AMP: Adversarial Motion Priors for Stylized Physics-Based Character
Control [145.61135774698002]
我々は,与えられたシナリオで追跡するキャラクタの動作を選択するための完全自動化手法を提案する。
キャラクタが実行するべきハイレベルなタスク目標は、比較的単純な報酬関数によって指定できる。
キャラクタの動作の低レベルスタイルは、非構造化モーションクリップのデータセットによって指定できる。
本システムでは,最先端のトラッキング技術に匹敵する高品質な動作を生成する。
論文 参考訳（メタデータ） (2021-04-05T22:43:14Z)
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。