論文の概要: Motion Retargeting with Spatiotemporal Preferences for Humanoid Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2610.30540v1
- Date: Wed, 21 Oct 2026 23:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.176876
- Title: Motion Retargeting with Spatiotemporal Preferences for Humanoid Loco-Manipulation
- Title（参考訳）: ヒューマノイドロコマニピュレーションのための時空間的選好による動きのリターゲティング
- Abstract要約: 人間の動きは、人間とヒューマノイドロボットのギャップを橋渡しし、人間のデモを人体全体の制御とロコ操作のための基準軌跡に変換する。
オブジェクト-インタラクションでは、成功した実行は、重要な段階におけるオブジェクトの関係を正確に保存することに依存する。
本稿では,エボディメントとキーボディ部品を用いて作業の最適化を行うStemporal Retargeting(STR)を提案する。
Unitree G1の実験とUnitree R1での実世界の実験により、STRはより低い計算コストで接触カバレッジと連続性を向上することを示した。
- 参考スコア（独自算出の注目度）: 13.272181199068141
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human motion retargeting bridges the embodiment gap between humans and humanoid robots by converting human demonstrations into reference trajectories for whole-body control and loco-manipulation. For object-interaction tasks, successful execution depends on accurately preserving body--object relations at critical stages. However, uniform per-frame iteration budgets do not account for these localized accuracy requirements, limiting the computational efficiency of retargeting. To address this limitation, we present Spatiotemporal Retargeting (STR), which uses keyframes and key body parts to allocate optimization effort. Specifically, a vision-language model selects relevant motion signals and body parts, and keyframes are identified from changes in the selected signals. Based on these selections, STR assigns additional solver iterations to keyframes and higher interaction weights to the selected parts. To further improve contact fidelity, we introduce Mechanics-Aware Contact Anchoring (MCA) to refine object-surface contact positions using an approximate object-wrench model while retaining the selected surface directions. Building on the resulting references, we develop Spatiotemporal Reinforcement Learning (STRL), which combines adaptive key-stage sampling with a contact reward based on target proximity and object contact forces for downstream control. Simulation experiments on a Unitree G1 and real-world experiments on a Unitree R1 demonstrate that STR improves geometric contact coverage and continuity at lower computational cost, while the resulting references improve downstream task completion across diverse object-interaction motions.
- Abstract（参考訳）: 人間の動きの再ターゲティングは、人間とヒューマノイドロボットのエンボディメントギャップを橋渡しし、人間のデモを人体全体の制御とロボ操作のための基準軌跡に変換する。
オブジェクト・インタラクションのタスクでは、実行が成功するのは、重要な段階でオブジェクトの関係を正確に保存することに依存する。
しかし、均一なフレーム単位のイテレーション予算は、これらの局所的な精度要件を考慮せず、再ターゲットの計算効率を制限している。
この制限に対処するために、キーフレームとキーボディ部品を使用して最適化作業を割り当てる時空間再ターゲティング(STR)を提案する。
具体的には、視覚言語モデルが関連する動作信号と身体部分を選択し、選択した信号の変化からキーフレームを識別する。
これらの選択に基づいてSTRは、キーフレームにさらなるソルバ反復を割り当て、選択した部分により高い相互作用重みを割り当てる。
接触の忠実度をさらに向上するため, 選択した面方向を維持しつつ, 近似オブジェクトレンチモデルを用いて, 物体表面の接触位置を洗練するために, MCA(Mechanics-Aware Contact Anchoring)を導入する。
得られた基準に基づいて,適応的な鍵ステージサンプリングと接触報酬を組み合わせた時空間強化学習(STRL, Spatiotemporal Reinforcement Learning)を開発した。
ユニツリーG1のシミュレーション実験と、Unitree R1の実世界の実験により、STRは幾何接触率と連続性をより低い計算コストで改善し、その結果、様々なオブジェクト・インタラクション・モーションにわたって下流タスクの完了を改善することを示した。
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) - TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation [32.317349412479885]
人手オブジェクトのデモは、参照トラッキングを通じて、デクスタラスラーニング(RL)ポリシーをトレーニングするための高密度な参照動作を提供する。
このような実演をRL政策学習に利用するためには、強化は手ポーズとタスク関連手オブジェクト接触構造を保たなければならない。
TopoRetargetは、さまざまな条件にまたがって単一のパラメータセットを使用するインタラクション保存フレームワークである。
TopoRetargetは、ContactPoseデータセット上のすべてのベースラインに対して、最高のコンタクト精度とアライメントを達成する。
論文 参考訳（メタデータ） (2026-06-15T06:20:46Z) - Make Tracking Easy: Neural Motion Retargeting for Humanoid Whole-body Control [43.01629060165596]
本稿では,不均一な動きを潜在モチーフにグループ化するニューラルモーション・リターゲティング・フレームワークを提案する。
この戦略により、計算の並列学習の専門家は大幅に削減される。
参照は、全身制御ポリシーの収束を加速する。
論文 参考訳（メタデータ） (2026-03-23T16:59:00Z) - 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) - Decoupled Generative Modeling for Human-Object Interaction Synthesis [35.78156236836254]
既存のアプローチでは、しばしば手動で指定した中間のウェイポイントを必要とし、最適化の目的を1つのネットワークに配置する。
DecHOI(Decoupled Generative Modeling for Human-Object Interaction Synthesis)を提案する。
軌道生成装置は、まず、所定のウェイポイントを伴わずに人や物体の軌道を生成し、これらの経路に作用生成条件を設けて詳細な動作を合成する。
論文 参考訳（メタデータ） (2025-12-22T05:33:59Z) - 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) - Geometric Retargeting: A Principled, Ultrafast Neural Hand Retargeting Algorithm [50.52643618961044]
遠隔操作のための超高速・原理的ハンドアルゴリズムGeoRTを紹介する。
GeoRTは、人間の指のキーポイントを1KHzでロボットの手のキーポイントに変換し、最先端のスピードと精度を達成する。
論文 参考訳（メタデータ） (2025-03-10T17:10:21Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。
入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。
実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-09-15T17:05:02Z)
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。