論文の概要: SMR: Learning streaming motion retargeting for humanoids from human semantic
- arxiv url: http://arxiv.org/abs/2610.29169v1
- Date: Wed, 21 Oct 2026 03:59:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.197478
- Title: SMR: Learning streaming motion retargeting for humanoids from human semantic
- Title（参考訳）: SMR:人間の意味からヒューマノイドのストリーミング・モーション・リターゲティングを学習する
- Abstract要約: 人間の動きをヒューマノイドに再ターゲティングするには、ロボットの身体的制約を考慮に入れながら、動きのセマンティクスを保存する必要がある。
セマンティックな物理の専門家から学んだストリーミングニューラルモーション・リターゲッターを提案する。
- 参考スコア（独自算出の注目度）: 21.428440884478608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retargeting human motion to humanoids requires preserving motion semantics while accounting for the robot's physical constraints. Kinematic pipelines prescribe a robot trajectory through geometric matching, without establishing whether it can be executed under the robot's dynamics. Prior physics-supervised neural methods train bidirectional full-sequence models on physics-refined kinematic trajectories, remaining tied to prescribed kinematic solutions and requiring noncausal context. We propose SMR, a streaming neural motion retargeter learned from semantic-conditioned physics experts. We convert human motion into robot-aware task-space targets for body landmark positions, orientations, and velocities. Physics experts track these targets directly in simulation under contact, dynamics, and actuator constraints. We train a single strictly causal Transformer on their executed state trajectories that complete the motion and pass semantic and physical validity checks. At each incoming frame, the student uses only current and past human observations to generate a robot motion reference for a downstream whole-body controller. Experiments demonstrate that semantic-conditioned physics experts generate motion with higher semantic fidelity and physical validity than direct optimization-based retargeting, while the resulting streaming retargeter achieves improved closed-loop performance over kinematic and physics-refined baselines under a common whole-body controller.
- Abstract（参考訳）: 人間の動きをヒューマノイドに再ターゲティングするには、ロボットの身体的制約を考慮に入れながら、動きのセマンティクスを保存する必要がある。
運動パイプラインは、ロボットのダイナミクスの下で実行可能であるかどうかを確定することなく、幾何学的マッチングを通じてロボットの軌道を規定する。
それまでの物理監督型ニューラルネットワークは、物理精製キネマティック軌道上の双方向フルシーケンスモデルを訓練し、所定のキネマティック解に結びついており、非因果文脈を必要とする。
セマンティックな物理の専門家から学んだ,ストリーミング型ニューラルモーション・リターゲッターのSMRを提案する。
人間の動きを、身体のランドマークの位置、方向、速度をロボットが認識するタスク空間に変換する。
物理学の専門家は、これらのターゲットを直接、接触、力学、アクチュエータの制約の下でシミュレーションで追跡する。
動作を完了し、意味的および物理的妥当性チェックをパスする、実行された状態軌跡に対して、厳密な因果変換器をトレーニングする。
各フレームにおいて、学生は、現在と過去の観察のみを使用して、下流全体のコントローラのためのロボットモーション参照を生成する。
実験により、セマンティック・コンディショニングされた物理の専門家は、直接最適化に基づくリターゲティングよりもセマンティック・フィリティと物理的妥当性の高い動作を生成する一方、ストリーミング・リターゲッターは、一般的な全身制御の下で、運動学および物理精製されたベースラインよりもクローズループ性能を向上することを示した。
関連論文リスト
- Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning [8.017186118280366]
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。
論文 参考訳（メタデータ） (2026-10-20T16:22:00Z) - BeyondRetarget: Learning Executable Humanoid Motions Directly from Monocular Video [34.97982846901588]
本研究では,モノクラーRGBビデオをロボットの動きにマッピングする,エンドツーエンドのフレームワークであるBeyondRetargetを提案する。
このフレームワークは、明示的な人間の表現を識別し、視覚的な観察からロボット指向の暗黙の表現を直接学習する。
実験の結果,BeyondRetargetは生成したロボットの動きの精度と堅牢性を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2026-09-24T14:15:04Z) - PhyMotion: Structured 3D Motion Reward for Physics-Grounded Human Video Generation [75.96085587438279]
既存のビデオ報酬は主に2D知覚信号に依存しており、3Dの身体状態、接触状態、人間の関節の動きに基づくダイナミクスを明示的にモデル化する必要はない。
物理シミュレータにおける3次元人体軌道の復元を基礎とした構造的,きめ細かな運動報酬であるPhyMotionを提案し,運動の質を多次元の物理的実現性に沿って評価する。
実験により、PhyMotionは既存の報酬の定式化よりも人間の判断と強い相関性が得られることが示された。
論文 参考訳（メタデータ） (2026-05-14T02:12:13Z) - PhyGile: Physics-Prefix Guided Motion Generation for Agile General Humanoid Motion Tracking [23.96905373874686]
本稿では,ロボットネイティブ動作生成と推論のループを閉じる統合フレームワークであるPhyGileを紹介する。
我々は,GMTコントローラをカリキュラムベースのMix-of-expertsスキームでトレーニングし,その後,大規模ロボット動作に対するロバスト性を改善するためにラベル付き動作データを用いた後学習を行った。
PhyGileはテキスト駆動型ヒューマノイドコントロールのフロンティアを拡張し、アジャイルの安定したトラッキングを可能にする。
論文 参考訳（メタデータ） (2026-03-13T06:43:44Z) - 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) - ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。
ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。
結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
論文 参考訳（メタデータ） (2025-10-06T17:47:02Z) - 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) - Skeleton2Humanoid: Animating Simulated Characters for
Physically-plausible Motion In-betweening [59.88594294676711]
現代の深層学習に基づく運動合成アプローチは、合成された運動の物理的妥当性をほとんど考慮していない。
テスト時に物理指向の動作補正を行うシステムSkeleton2Humanoid'を提案する。
挑戦的なLaFAN1データセットの実験は、物理的妥当性と精度の両方の観点から、我々のシステムが先行手法を著しく上回っていることを示している。
論文 参考訳（メタデータ） (2022-10-09T16:15:34Z)
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。