論文の概要: SP-HLM: Sparse-Pose-Driven Motion Generation and Whole-Body Control for Humanoid Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2610.30044v1
• Date: Wed, 21 Oct 2026 17:03:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.452673
• Title: SP-HLM: Sparse-Pose-Driven Motion Generation and Whole-Body Control for Humanoid Loco-Manipulation
• Title（参考訳）: SP-HLM:ヒューマノイドロコマニピュレーションのためのスパースパス駆動運動生成と全体制御
• Abstract要約: スパース目的駆動インタフェース上に構築されたSP-HLMについて述べる。 インタフェースは5つのタスククリティカルなボディポーズと学習された潜在動作を組み合わせて、空間的意図と全体調整を表現する。 シミュレーションと実際のヒューマノイドロボットを用いた実験では、モーショントラッキングの改善、全身調整、ロボット操作の成功が示されている。
• 参考スコア（独自算出の注目度）: 47.7821631479556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid loco-manipulation requires an effective interface between high-level task policies and whole-body control. Existing interfaces typically rely on a single action representation for both task intent and whole-body coordination. This may burden the high-level policy or leave one aspect underspecified. We present SP-HLM, a framework built on a sparse-pose-driven interface. The interface combines five task-critical body poses with a learned latent motion prior to represent spatial intent and whole-body coordination in complementary forms. SP-VLA, a vision-language-action model, first predicts task-relevant sparse poses and finger joint positions from multimodal observations and language instructions using asynchronous action-chunk inference. Given these sparse targets, SP-MGM, a motion generation model trained through two-stage distillation, reconstructs coordinated full-body motion in real time. A pretrained motion encoder maps this motion to a compact latent representation. SP-GMT, a general motion tracker, then integrates the explicit sparse targets with this implicit motion prior for whole-body control. Experiments in simulation and on a real humanoid robot demonstrate improved motion tracking, whole-body coordination, and loco-manipulation success over existing approaches. Additional results and videos are available on our \href{https://sp-hlm.github.io/}{\textcolor{blue}{project page}}.
• Abstract（参考訳）: ヒューマノイドのロコ操作は、ハイレベルなタスクポリシーと全身制御の効果的なインターフェースを必要とする。 既存のインターフェイスは通常、タスク意図と全体調整の両方に対して単一のアクション表現に依存します。 これにより、高レベルの政策を負担したり、1つの側面を未特定のままにしておくことができる。 スパース目的駆動インタフェース上に構築されたSP-HLMについて述べる。 インタフェースは5つのタスククリティカルなボディポーズと学習された潜在動作を組み合わせて、空間的意図と補完的な形式の全身協調を表現する。 視覚言語行動モデルSP-VLAは、まず、非同期アクションチャンク推論を用いて、マルチモーダル観察と言語指示からタスク関連スパースポーズと指関節位置を予測する。 2段蒸留により訓練された運動生成モデルであるSP-MGMは、これらのスパース目標を考慮し、リアルタイムに全体運動を再構成する。 事前訓練されたモーションエンコーダは、この動きをコンパクトな潜在表現にマッピングする。 一般的なモーショントラッカーであるSP-GMTは、全体制御に先立って、明示的なスパースターゲットとこの暗黙の動作を統合する。 シミュレーションおよび実際のヒューマノイドロボットを用いた実験では、既存のアプローチに対する運動追跡、全身調整、ロコ操作の成功が向上した。 追加の結果とビデオは、我々の \href{https://sp-hlm.github.io/}{\textcolor{blue}{project page}} で公開されています。

関連論文リスト

• OIL: An Object Interaction Layer for Humanoid Whole-Body Control [10.78987394423364]
  油は、望まれるオブジェクトの動きと接触を含むように、全身制御のキネマティックなコマンドインターフェイスを拡張するオブジェクトインタラクション層である。 この設計により、プッシュ、プル、2腕のピック・アンド・プレイス、ロコモーション・カップリング・トランスポートなど、単一の学習されたポリシーで非包括的インタラクションを実行することができる。
  論文  参考訳（メタデータ） (2026-10-01T05:12:31Z)
• M3imic: Learning a Versatile Whole-Body Controller for Multimodal Motion Mimicking [45.636871702422134]
  Multi-Modal Mimicはヒューマノイドロボットのための汎用的な全身制御フレームワークである。 ロボットの関節角度、人間のポーズ軌跡、エンドエフェクターのポーズなど、異種動作参照モードを統一する。 モダリティ特異的なリトレーニングを伴わない、複数の運動基準モード間のシミュレート・トゥ・リアル転送を実現する。
  論文  参考訳（メタデータ） (2026-06-03T12:52:37Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• FUSION: Full-Body Unified Motion Prior for Body and Hands via Diffusion [49.026972478098266]
  手は私たちの周囲と相互作用し、ジェスチャーを伝達する中心的存在です。 既存のヒトの運動合成法は不足している。 主な障害は、多様な全身の動きを共同でキャプチャする大規模なデータセットがないことである。
  論文  参考訳（メタデータ） (2026-01-07T14:18:59Z)
• HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
  HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。 我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。 この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-06-02T12:08:08Z)
• MaskedManipulator: Versatile Whole-Body Manipulation [38.02818493367002]
  本研究では,大規模な人体モーションキャプチャーデータに基づいて学習したトラッキングコントローラから生成制御ポリシーであるMaskedManipulatorを紹介する。 この2段階の学習プロセスにより、システムは複雑なインタラクション動作を実行でき、キャラクタとオブジェクトの両方の動作を直感的に制御できる。
  論文  参考訳（メタデータ） (2025-05-25T10:46:14Z)
• Human-Object Interaction from Human-Level Instructions [17.10279738828331]
  本研究では、コンテキスト環境におけるオブジェクト操作のための人間とオブジェクトの相互作用を合成する最初の完全システムを提案する。 我々は大規模言語モデル(LLM)を利用して入力命令を詳細な実行計画に解釈する。 従来の作業とは異なり,本システムは全身運動とシームレスに協調して,詳細な指と物体の相互作用を生成できる。
  論文  参考訳（メタデータ） (2024-06-25T17:46:28Z)
• Task-Oriented Human-Object Interactions Generation with Implicit Neural Representations [61.659439423703155]
  TOHO: 命令型ニューラル表現を用いたタスク指向型ヒューマンオブジェクトインタラクション生成 本手法は時間座標のみでパラメータ化される連続運動を生成する。 この研究は、一般的なヒューマン・シーンの相互作用シミュレーションに向けて一歩前進する。
  論文  参考訳（メタデータ） (2023-03-23T09:31:56Z)

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。