論文の概要: Test-Time Motion Steering for Perceptive Humanoid Fall Recovery

• arxiv url: http://arxiv.org/abs/2610.30061v1
• Date: Wed, 21 Oct 2026 17:20:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 09:50:43.263465
• Title: Test-Time Motion Steering for Perceptive Humanoid Fall Recovery
• Title（参考訳）: 知覚型ヒューマノイド転倒回復のためのテスト時間動作ステアリング
• Abstract要約: RISEは、ロボットが立位に戻る様子をタスクの目的が把握できる、知覚的なヒューマノイドリカバリのためのアプローチである。 感覚フィードバックによって意図した動作と運動動作を繋ぐリカバリ語彙を学習する。 視覚拡散プランナーは、この語彙の実行から学習し、将来の身体状態として動きの意図を予測する。
• 参考スコア（独自算出の注目度）: 24.627698798470362
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid fall recovery requires selecting a motion that suits both the surrounding scene and the task. The same fallen pose can admit several ways to stand, with different routes, support transitions, and final headings. Yet reliable recovery alone does not provide control over which of these alternatives the robot executes. Steering this choice requires anticipating the physical consequences of a requested movement. We present RISE, an approach to perceptive humanoid recovery that lets task objectives steer how the robot returns to standing at inference time. It builds on two insights: diverse recoveries can be composed from shared movements, and anticipating how these movements unfold allows recovery to be steered toward a task objective. We learn a recovery vocabulary that connects intended movements to motor actions through sensory feedback. A visual diffusion planner learns from executions of this vocabulary to predict motion intent as future body states. Task costs guide this prediction toward a desired heading, rise speed, or path. The planner then generates motion latents conditioned on the steered intent, allowing the requested movement to shape its execution. Simulation experiments demonstrate diverse recoveries, terrain adaptation, and test-time steering without retraining, complemented by real-world demonstrations on a Unitree G1. Project page: https://osheraz.github.io/RISE/
• Abstract（参考訳）: ヒューマノイドの転倒回復には、周囲のシーンとタスクの両方に適した動きを選択する必要がある。 同じ転倒ポーズは、異なるルート、サポートトランジション、最終的な見出しを持ついくつかの方法を認めることができる。 しかし、信頼性の高いリカバリだけでは、ロボットがどの選択肢を実行するかを制御できない。 この選択を操るためには、要求された運動の物理的結果を予測する必要がある。 RISEは、ロボットが推論時に立ち返る様子をタスクの目的が把握できる、知覚的ヒューマノイドリカバリのためのアプローチである。 多様なリカバリは、共有された動きから構成することができ、これらの動きがどのように展開するかを予測することで、タスクの目的に向かってリカバリを行うことができる。 感覚フィードバックによって意図した動作と運動動作を繋ぐリカバリ語彙を学習する。 視覚拡散プランナーは、この語彙の実行から学習し、将来の身体状態として動きの意図を予測する。 タスクコストは、この予測を望ましい方向、上昇速度、または経路へと導く。 プランナーはその後、ステアリングされた意図に条件付けられた動作遅延を発生させ、要求された動作がその実行を形作る。 シミュレーション実験は、Unitree G1上の実世界デモで補完される、様々な回復、地形適応、再訓練なしでのテストタイムステアリングを実証する。 プロジェクトページ:https://osheraz.github.io/RISE/

関連論文リスト

• Beyond Human-Derived Motion: Exploring Robot-Specific Execution for Construction Humanoids [0.41145628201397916]
  建設の生産性は、ワークスペースやヒューマンワーカー向けに設計されたツールで操作できるヒューマノイドロボットへの関心が高まっている。 人間由来のモーショントランスファーは、人間のデモをヒューマノイドロボットにキャプチャーし、転送することで、有望なアプローチとして現れてきた。 本研究では,ロボット固有運動が人間派生運動よりも動作実行効率に有利であるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-10-16T23:20:53Z)
• Being-M0.7: A Latent World-Action Model for Humanoid Robots [52.49928557294444]
  我々は,人間のデータから学習した視覚的動きを,事前学習,ロボットのミッドトレーニング,アクションポストトレーニングを通じてヒューマノイド制御に伝達する潜在世界行動モデルであるBeing-M0.7を提案する。 我々は、1万時間以上の生の人中心データからコーパスをキュレートし、ビデオのみ、モーションのみ、およびペア化されたビデオモーションストリームを統合して、補完的な視覚力学と全身の運動構造を学習する。 Be-M0.7はSIMPLEで比較したベースラインの中で最高成功率に達し、現実世界のUnitree G1ロコ操作タスクで最強のベースラインと一致する。
  論文  参考訳（メタデータ） (2026-10-08T05:49:24Z)
• From Legs to Wheels: Embodiment-Aware Human Motion Retargeting for Mobile-Base Humanoids [0.0]
  ほとんどの人間から人間へのロボットデモは、人間のような運動学を持つ脚のあるロボットを前提としている。 ロボット固有の実現前に、再構成された人間の動きをベース、リフト、アームの責任に割り当てることで、このミスマッチに対処する。 デプロイアダプタは、固定ベース検出、デッドバンドとスルーレートのフィルタリング、時間一貫性のスケーリング、線形と角のゲインを使って、50Hzのコマンドへの参照を変換する。
  論文  参考訳（メタデータ） (2026-10-06T14:02:41Z)
• Hand-centric Human-to-Robot Trajectory Transfer from Video Demonstrations via Open-World Contact Localization [28.23926683554352]
  EmphHOWTransferは、人間のデモを接触認識、分類情報、多様なロボット軌道に蒸留する手中心のフレームワークである。 emphHOWTransferは、時間的に一貫した3次元手の動きを回復し、観察された手と物体の相互作用の手がかりを解析することで、時間的接触間隔を局所化する。 実験によると、emphHOWTransferは86%の精度で正確な接触位置決めと高品質なロボットの動きを可能にする。
  論文  参考訳（メタデータ） (2026-06-09T11:53:29Z)
• Bionic Human-Motion Style Transfer for Physically Executable Whole-Body Control of Humanoid Robots [13.21934742924018]
  本稿では,ヒューマノイドロボットにおける模範駆動型スタイル転送のための世代間制御フレームワークを提案する。 物理を意識した潜伏拡散モデルが, スタイル, 内容, 軌道条件を融合するために開発された。 プレビューベースの全体追跡ポリシは、クラスタ・アンド・ディスティル戦略でトレーニングされる。
  論文  参考訳（メタデータ） (2026-06-02T11:59:01Z)
• From Language to Locomotion: Retargeting-free Humanoid Control via Motion Latent Guidance [55.31807046722006]
  既存の言語誘導型ヒューマノイドパイプラインは面倒で信頼できない。 本稿では,言語を基盤とした動作潜伏者に対してヒューマノイドポリシーを規定する言語フリーフレームワークであるRoboGhostを紹介する。 我々は,RoboGhostがデプロイメントの遅延を大幅に低減し,成功率と精度を向上し,スムーズでセマンティックに整合したヒューマノイドを生成することを示す。
  論文  参考訳（メタデータ） (2025-10-16T17:57:47Z)
• 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)
• Weakly-supervised Action Transition Learning for Stochastic Human Motion Prediction [81.94175022575966]
  動作駆動型人間の動作予測の課題について紹介する。 一連の動作ラベルと短い動作履歴から、複数の可算な将来の動作を予測することを目的としている。
  論文  参考訳（メタデータ） (2022-05-31T08:38:07Z)
• Generating Smooth Pose Sequences for Diverse Human Motion Prediction [90.45823619796674]
  本稿では,多様な動作予測と制御可能な動作予測のための統合された深部生成ネットワークを提案する。 標準ベンチマークデータセットであるHuman3.6MとHumanEva-Iの2つの実験は、我々のアプローチがサンプルの多様性と精度の両方において最先端のベースラインより優れていることを示した。
  論文  参考訳（メタデータ） (2021-08-19T00:58:00Z)
• Continual Learning from Synthetic Data for a Humanoid Exercise Robot [15.297262564198972]
  実用的なシナリオでは、理学療法士のような専門家が身体運動を行い、ペッパーのようなヒューマノイドロボットの基準として使用し、患者の同じ運動の実行に対するフィードバックを与える。 本稿では,視野の中心に関する翻訳と回転の許容性を実現するアーキテクチャを設計することで,第1の課題に挑戦する。 第2の課題は、GWRがインクリメンタルデータでオンラインで成長できるようにすることです。 評価のために,仮想アバターを用いた新しいエクササイズデータセット「virtual-squat dataset」を作成した。
  論文  参考訳（メタデータ） (2021-02-19T17:05:25Z)

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。