論文の概要: EmbodyHOI: Embodiment-Aware Generation of Hand-Object Interactions for Humanoid Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2610.27242v1
• Date: Mon, 19 Oct 2026 20:08:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.491033
• Title: EmbodyHOI: Embodiment-Aware Generation of Hand-Object Interactions for Humanoid Dexterous Manipulation
• Title（参考訳）: EmbodyHOI:ヒューマノイド Dexterous Manipulationのためのハンドオブジェクトインタラクションの身体的認識
• Abstract要約: 本研究では,特定のヒューマノイドエンボディメントに対して,微分可能な逆運動学(IK)解法を実行するEmbodyHOIを提案する。 誘導は推論時にのみ作用するため、人間の手で訓練された1つのHOI軌道生成器は、リトレーニングなしでヒューマノイドの体液を移動させる。
• 参考スコア（独自算出の注目度）: 11.115047025087854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid dexterous manipulation needs reference motions that are both semantically rich and kinematically feasible for the target robot. Text-conditioned hand-object interaction (HOI) generators supply diverse, language-specified demonstrations, but they synthesize motion in human (MANO) space. The embodiment gap is therefore deferred to post-hoc retargeting, where trajectories deployed on the robot can fail to maintain contact with objects and also degrade policy learning. Our key idea is that robot reachability should constrain the interaction trajectories while they are being generated. We present EmbodyHOI, which runs a differentiable inverse-kinematics (IK) solver for a specific humanoid embodiment inside the sampling loop of a frozen flow-matching HOI trajectory generator. We feed back gradients from the embodiment-aware IK solver into the HOI sampler and jointly optimize the position of the humanoid with respect to the object. Because guidance acts only at inference, one HOI trajectory generator trained on human hand poses transfers across humanoid embodiments without retraining. On ARCTIC trajectories with two contrasting humanoids (Unitree G1 and H1-2), our proposed guidance-based method cuts the retargeted wrist error from 8.9 cm to 0.6 cm while leaving text-to-HOI generation quality intact, and raises task success from 68% to 79% on 50 random G1 tasks and from 62% to 76% on a four-task H1-2 suite. Critically, cheaper alternatives for bridging the embodiment gap fail to beat EmbodyHOI. Post-hoc wrist refinement and compute-matched best-of-N selection both reach lower IK energy than our guidance yet train worse policies. For simulation results, see our website: https://embodyhoi.github.io/
• Abstract（参考訳）: ヒューマノイドのデキスタラスな操作は、セマンティックにリッチでキネマティックに目的のロボットに実現可能な参照動作を必要とする。 テキスト・コンディショニング・ハンド・オブジェクト・インタラクション(HOI)ジェネレータは多種多様な言語仕様のデモンストレーションを提供するが、人間(MANO)空間における動きを合成する。 したがって、エンボディメントのギャップは、ロボットに展開された軌道が物体との接触を維持するのに失敗し、政策学習を低下させる、ポストホック再ターゲティング(post-hoc retargeting)に委ねられる。 私たちのキーとなるアイデアは、ロボットの到達性は、生成中の相互作用の軌跡を制限すべきである、ということです。 本研究では,凍結流整合型HOI軌道発生器のサンプリングループ内において,特定のヒューマノイドを具体化するための微分逆運動学(IK)ソルバを動作させるEmbodyHOIを提案する。 我々は, 具体化対応IKソルバの逆勾配をHOIサンプリング器に供給し, 対象物に対するヒューマノイドの位置を協調的に最適化する。 誘導は推論時にのみ作用するため、人間の手で訓練された1つのHOI軌道生成器は、リトレーニングなしでヒューマノイドの体液を移動させる。 2つの対照的なヒューマノイド(Unitree G1, H1-2)を持つARCTICトラジェクトリにおいて,本提案手法は,テキスト・ツー・ホイ生成の品質を保ちながら,再ターゲット手首誤差を8.9cmから0.6cmに削減し,50個のランダムG1タスクで68%から79%,4タスクH1-2スイートで62%から76%に向上させる。 致命的なことに、エンボディーメントギャップを埋める安価な代替手段は、EmbodyHOIに勝てない。 ホット後の手首のリファインメントとベスト・オブ・Nの選択はいずれも、私たちのガイダンスよりも低いIKエネルギーに到達しますが、悪い政策を訓練します。 シミュレーション結果については、私たちのWebサイトを参照してください。

関連論文リスト

• EgoJEPA: Beyond Retargeting for Dexterous Manipulation from Egocentric Videos [54.3385405724896]
  EgoJEPAは、エゴ中心の人間ビデオからエンボディメントに依存しない表現を学ぶ。 743.2時間から392.7時間にかけて、クロス・エボディメントの壁時計のコストを47.2%削減する。
  論文  参考訳（メタデータ） (2026-10-14T20:34:18Z)
• 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)
• Unified Motion Retargeting for Humanoids with Learned Point Cloud Correspondence [24.060385614379783]
  我々は,手動で設計した人間ロボットマッピングを必要とせずに,高密度のクラウド対応を学習するフレームワークであるUnified Motion Retargeting(UMR)を提案する。 UMRは最先端の手法よりも動きの忠実度と妥当性が高い。
  論文  参考訳（メタデータ） (2026-09-02T05:43:19Z)
• HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos [58.9564236347451]
  HumanEgoは、人間とロボットのエンボディメントギャップを橋渡しするフレームワークである。 それは、人間のデモを、手動オブジェクトの相互作用の実体レベルの表現へと持ち上げる。 HumanEgoは、ロボットのデータフリー、ハードウェア非依存、データ効率、ゼロショットの人間とロボットの転送を可能にする。
  論文  参考訳（メタデータ） (2026-05-24T08:26:41Z)
• A Closed-Form Geometric Retargeting Solver for Upper Body Humanoid Robot Teleoperation [32.82085155744172]
  人間の動きをロボットアームに標的にする方法は、最適で遅い。 本稿では、配向問題として配向アライメントを再構成する。 鍵となるアイデアは、肩、肘、手首(SEW)キーポイントから特定されるように、ロボットアームを人間の上腕と下腕の向きに合わせることである。 実験の結果,SEW-Mimicは計算時間と精度で他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-02-02T04:44:55Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• One-Shot Imitation under Mismatched Execution [7.060120660671016]
  人間のデモは、ロボットに長距離操作のタスクをプログラムするための強力な方法だ。 これらのデモをロボット実行可能なアクションに変換することは、運動スタイルや身体能力のミスマッチの実行による重大な課題を呈する。 シーケンスレベルの最適輸送コスト関数を用いて,人間とロボットの軌道を自動的にペアリングする新しいフレームワークRHyMEを提案する。
  論文  参考訳（メタデータ） (2024-09-10T16:11:57Z)

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。