論文の概要: Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning

• arxiv url: http://arxiv.org/abs/2610.28470v1
• Date: Tue, 20 Oct 2026 16:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.917782
• Title: Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning
• Title（参考訳）: スケーラブルなヒューマノイドロボット学習のための高速モーションリターゲティングパイプライン
• Abstract要約: 既存のキノダイナミック軌道最適化パイプラインは計算コストが高く、運動ごとに手動で調整する必要があることが多い。 本稿では,FRDV(Fast Retargeting with Dynamics Validation)について述べる。 そのキネマティックステージはシークエンシャル・クアドラティック・プログラミング、リアルタイム・イット、チャンクベースの処理を統合し、最大9,156フレーム/秒を実現し、GMRやProtoMotionの約136倍高速である。
• 参考スコア（独自算出の注目度）: 8.017186118280366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While large-scale human motion capture datasets provide a rich source of demonstrations for humanoid robot learning, retargeting the diverse motions to different humanoid robots remains a nontrivial challenge. Existing kinodynamic trajectory optimization pipelines are computationally expensive and often require manual adjustments per motion. We present FRDV (Fast Retargeting with Dynamics Validation), a scalable framework consisting of rapid constrained kinematic retargeting and an additional dynamics validation pipeline. Its kinematic stage integrates a custom Sequential Quadratic Programming solver, Real-Time Iteration, and parallel chunk-based processing, achieving up to 9,156 frames per second, approximately up to 136 times faster than GMR and ProtoMotions, while robot-specific constraints are incorporated into the optimization to reduce common retargeting artifacts, such as ground penetration and self-collision. For motions requiring additional verification, a contact implicit iLQR controller is utilized to test the retargeted reference under full rigid body dynamics. This dynamics-based validation identifies dynamically infeasible motions and refines contact-related artifacts such as foot floating and foot skating. We evaluate retargeting quality by training motion tracking reinforcement learning policies using several state-of-the-art pipelines and comparing their tracking fidelity and success rates. Furthermore, sim-to-real transfer is demonstrated on a Unitree G1 humanoid. Videos and code are available at: https://daroslab.github.io/frdv/.
• Abstract（参考訳）: 大規模な人間のモーションキャプチャーデータセットは、ヒューマノイドロボット学習のための豊富なデモの源を提供するが、異なるヒューマノイドロボットに多様な動きを再ターゲティングすることは、相変わらず難しい課題である。 既存のキノダイナミック軌道最適化パイプラインは計算コストが高く、運動ごとに手動で調整する必要があることが多い。 FRDV(Fast Retargeting with Dynamics Validation)は、高速な制約付きキネマティックリターゲティングと、追加の動的検証パイプラインで構成されるスケーラブルなフレームワークである。 そのキネマティックステージは、カスタムのシークエンシャル・クアドラティック・プログラミング・ソルバ(Sequential Quadratic Programmingsolvr)、リアルタイム・イテレーション(Real-Time Iteration)、並列チャンクベースの処理を統合し、毎秒9,156フレームを達成し、GMRやProtoMotionsの約136倍の高速化を実現している。 追加の検証を必要とする動作に対しては、接触暗黙のiLQRコントローラを使用して、完全な剛体力学の下で再ターゲットされた参照をテストする。 この力学に基づく検証は、動的に実現不可能な動きを特定し、フットフローティングやフットスケートのような接触関連アーティファクトを洗練させる。 動作追跡強化学習ポリシーを,いくつかの最先端パイプラインを用いて訓練し,その追跡精度と成功率を比較して再ターゲティング品質を評価する。 さらに、Unitree G1ヒューマノイド上でsim-to-realトランスファーが示される。 ビデオとコードは、https://daroslab.github.io/frdv/.comで入手できる。

関連論文リスト

• TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments [8.279603530131153]
  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。
  論文  参考訳（メタデータ） (2026-10-13T09:02:12Z)
• Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos [6.238518905285812]
  単眼ビデオデモからの模倣学習は、ヒューマノイドロボットに複雑なスキルを教えるためのスケーラブルなアプローチを提供する。 本稿では,エキスパートビデオから直接高忠実で動的に実現可能な軌道を生成する新しい単一ステージフレームワークであるDirect Dynamic Retargeting (DDR)を提案する。 我々の実験は、幾何学的バイアスをバイパスすることで、DDRはデモ追跡精度において最先端のベースラインを上回ることを実証した。
  論文  参考訳（メタデータ） (2026-05-22T15:33:40Z)
• 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)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• Implicit Kinodynamic Motion Retargeting for Human-to-humanoid Imitation Learning [35.8296790596745]
  Implicit Kinodynamic Motion Retargeting (IKMR)は、キネマティクスとダイナミックスの両方を考慮した、効率的でスケーラブルなフレームワークである。 IKMRは、モーション領域マッピングを学ぶために、モーショントポロジ表現とデュアルエンコーダデコーダアーキテクチャを事前訓練する。 実物大のヒューマノイドロボットでシミュレータと実物ロボットの両方で実験を行う。
  論文  参考訳（メタデータ） (2025-09-18T21:34:02Z)
• 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)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
  冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。 これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。 本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
  論文  参考訳（メタデータ） (2024-12-27T07:34:54Z)

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。