論文の概要: OmniInteract: Towards Unified Whole-Body Interaction Control for Dual Humanoids

• arxiv url: http://arxiv.org/abs/2610.26043v1
• Date: Mon, 19 Oct 2026 09:03:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.333802
• Title: OmniInteract: Towards Unified Whole-Body Interaction Control for Dual Humanoids
• Title（参考訳）: OmniInteract:デュアルヒューマノイドのための統一された全身対話制御を目指して
• Abstract要約: 物理的相互作用は人体全体の運動と正確な接触を必要とするヒューマノイドの協調の鍵となる能力である。 しかし,人間-ロボット間の相互作用の学習は,(1)接触界面と空間的関係を妨害する,(2)協調学習のモータースキルとパートナーコーディネーションにより,相互作用の多様性が増大するにつれて制御の忠実性を維持することが困難になる,という2つの大きな課題に直面している。 我々は、表面認識モデリングとスケーラブルな残留ポリシー学習を通じて、これらの課題に対処するOmniInteractを提案する。
• 参考スコア（独自算出の注目度）: 60.20345110142214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physical interaction is a key capability for humanoid collaboration, requiring coordinated whole-body motion and precise contact. However, learning diverse dual-humanoid interactions faces two major challenges: (1) human-robot morphological differences disrupt contact interfaces and spatial relationships during retargeting, and (2) jointly learning motor skills and partner coordination makes it difficult to retain control fidelity as interaction diversity grows. In this paper, we propose OmniInteract to address these challenges through surface-aware modeling and scalable residual policy learning. First, we introduce Surface Contact-Aware Retargeting, which leverages dense human-robot surface correspondences to jointly retarget both humanoids, preserving explicit interaction contact interfaces and their near-field geometric context. Second, we propose a Scalable Flow-based Interaction Policy for partner-conditioned residual generation. It factorizes dual-humanoid control into a reusable motor foundation and interaction-specific adaptations: partner-aware experts learn corrections over a frozen whole-body motion prior, while conditional flow matching unifies them in a shared residual action space. This enables scalable skill consolidation while retaining pretrained motor capabilities. Extensive experiments demonstrate that OmniInteract improves retargeting fidelity and dual-humanoid coordination while better retaining interaction performance as skill diversity grows. Real-world deployment further demonstrates successful contact establishment, stable whole-body coordination, and recovery from external perturbations.
• Abstract（参考訳）: 物理的相互作用は人体全体の運動と正確な接触を必要とするヒューマノイドの協調の鍵となる能力である。 しかし,人間-ロボット間の相互作用の学習には,(1)人間-ロボット形態の違いが接触界面と空間的関係を乱し,(2)協調学習のモータースキルとパートナーコーディネートにより,相互作用の多様性が増大するにつれて制御の忠実さを維持することが困難になる,という2つの大きな課題が直面する。 本稿では,表面認識モデリングとスケーラブルな残留ポリシー学習を通じて,これらの課題に対処するOmniInteractを提案する。 まず,人間とロボットの表面の密接な対応を利用して両ヒューマノイドを協調的にリターゲティングし,明示的な接触インターフェースと近接場幾何学的コンテキストを保存する表面接触認識リターゲティングを提案する。 次に,パートナー条件付き残差生成のためのスケーラブルフローに基づくインタラクションポリシーを提案する。 パートナー認識の専門家は、凍結した全身の動きの補正を事前に学習し、条件付きフローマッチングは、それらを共有された残留アクション空間に統一する。 これにより、トレーニング済みのモーター能力を保ちながら、スケーラブルなスキルの強化が可能になる。 大規模な実験により、OmniInteractは、スキルの多様性が増大するにつれて相互作用性能を向上しつつ、再ターゲットの忠実度と二重ヒューマノイド調整を改善することが示されている。 実世界の展開は、接触確立の成功、体全体の安定した調整、外部の摂動からの回復をさらに示す。

関連論文リスト

• HIGenNTO: Scalable Humanoid Interaction Generation via Noise-Space Trajectory Optimization [20.181113523841386]
  本稿では,ヒューマノイドとシーンのインタラクション・モーション・リファレンスを合成するフレームワークHIGenNTOについて述べる。 ロボット環境とロボット対象タスク全体にわたって、HIGenNTOはトラッキングポリシによって実行可能な動作を生成する。 これらのポリシーをUnitree G1上に4つのコンタクト豊富なタスクにデプロイします。
  論文  参考訳（メタデータ） (2026-09-18T21:52:56Z)
• Rhythm: Learning Interactive Whole-Body Control for Dual Humanoids [25.74949263474117]
  我々はRhythmを紹介した。Rhythmは、複雑で物理的に妥当な相互作用のためのデュアルヒューマノイドシステムの現実的な展開を可能にする最初の統一フレームワークである。 本フレームワークは,(1)人間データから実現可能なヒューマノイドインタラクション参照を生成するIAMRモジュール,(2)グラフベースの報酬を通じて結合力学をマスターするIGRLポリシ,(3)デュアルヒューマノイドインタラクションの堅牢な転送を可能にする実世界展開システム,の3つのコアコンポーネントを統合した。
  論文  参考訳（メタデータ） (2026-03-03T11:04:56Z)
• Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations [63.80827184637476]
  D-STAR(D-STAR)は,行動すべき場所から行動すべき場所を乱す階層的な政策である。 広範かつ厳密なシミュレーションを通じて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-14T14:37:06Z)
• Interact2Ar: Full-Body Human-Human Interaction Generation via Autoregressive Diffusion Models [80.28579390566298]
  テキスト条件付き自己回帰拡散モデルであるInteract2Arを導入する。 ハンドキネマティクスは専用のパラレルブランチを通じて組み込まれ、高忠実度フルボディ生成を可能にする。 我々のモデルは、時間的動きの合成、外乱へのリアルタイム適応、ディヤディックからマルチパーソンシナリオへの拡張など、一連のダウンストリームアプリケーションを可能にする。
  論文  参考訳（メタデータ） (2025-12-22T18:59:50Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Two-Person Interaction Augmentation with Skeleton Priors [16.65884142618145]
  本稿では,2体インタラクション運動増強のための新しい深層学習法を提案する。 我々のシステムは比較的少量のデータから効果的に学習でき、骨格サイズが大幅に異なるように一般化できる。
  論文  参考訳（メタデータ） (2024-04-08T13:11:57Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)

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。