論文の概要: MOTIO: Agentic Skill Engineering for Reality-Grounded Humanoid Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2610.33446v1
- Date: Sat, 24 Oct 2026 04:55:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.33083
- Title: MOTIO: Agentic Skill Engineering for Reality-Grounded Humanoid Loco-Manipulation
- Title（参考訳）: MOTIO:リアルグラウンドヒューマノイドロコマニピュレーションのためのエージェントスキルエンジニアリング
- Abstract要約: MOTIOは、通常のヒューマンアクションビデオ、現実的な3Dアセット、モーションレファレンス、再利用可能なロボットスキルを、実行可能なヒューマノイド・ロコ操作プログラムに変換するエージェント・スキル・エンジニアリング・システムである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present MOTIO, an agentic skill-engineering system that turns ordinary human-action videos, reality-grounded 3D assets, motion references, and reusable robot skills into executable humanoid loco-manipulation programs. Through in-context task and contact reasoning, an agent constructs staged robot-native interactions and improves them using physics execution, multi-frame feedback, and human validation---without task-specific teleoperation or robot demonstration collection. Agentic 3D supplies metric product and environment assets, while existing whole-body, inverse-kinematics, and dexterous-hand interfaces realize the programs. Across 33 timestamped first approvals, the median recorded agent-turn time is 97.0 minutes and request-to-approval duration is 2.80 hours. Simulation-side layout and object variation prepare a long-horizon bottle-disposal skill for a continuous 101.75-second physical G1 execution in a scanned office; physical refinement reduces screw-tightening thread residual by 76.0%. Agent-generated skills additionally supervise BC/DAgger distillation into one shared reference policy, completing 18 simulated tasks under the same checkpoint without inference-time expert intervention. Project page: https://iiiiqiiii.github.io/motio/
- Abstract（参考訳）: 我々は,通常のヒューマンアクションビデオ,現実的な3Dアセット,モーションレファレンス,再利用可能なロボットスキルを,実行可能なヒューマノイドロコ操作プログラムに変換するエージェント・スキル・エンジニアリングシステムMOTIOを提案する。
エージェントは、コンテキスト内タスクとコンタクト推論を通じて、段階化されたロボットネイティブインタラクションを構築し、物理実行、マルチフレームフィードバック、人間のバリデーションを用いて、タスク固有の遠隔操作やロボットデモコレクションなしで、それらを改善する。
エージェント3Dはメートル法製品と環境資産を供給し、既存のボディ、リバース・キネマティクス、デクスタラス・ハンド・インタフェースはプログラムを実現する。
33回のタイムスタンプの第1承認で、中央記録のエージェント・ターン時間は97.0分、要求・承認期間は2.80時間である。
シミュレーションサイドのレイアウトとオブジェクトのバリエーションは、スキャンされたオフィスで連続101.75秒の物理G1実行のために長い水平のボトルディスポーザル技術を作成し、物理的精細化によりネジ締まり残余を76.0%削減する。
エージェント生成スキルは、BC/DAgger蒸留を1つの共有参照ポリシーに監督し、推論時の専門家の介入なしに18のシミュレーションタスクを同じチェックポイントで完了させる。
プロジェクトページ: https://iiiiqiiii.github.io/motio/
関連論文リスト
- 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) - RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments [91.39996227368]
汎用エージェントはますます、コードを書き、ツールを使い、複雑なデジタルタスクを完遂し、これらの能力が物理的な世界にどこまで浸透するかという疑問を提起している。
ロボットのインタフェースを通じて、指示や観察を物理的タスクの実行に変換するという、ロボット利用のための挑戦的なシミュレーションテストベッドであるRobotWorldを紹介した。
タスク結果と実行トレースを分析して、転送する機能と、信頼性の高い完了を防ぐギャップの両方を識別する。
論文 参考訳（メタデータ） (2026-10-07T16:55:24Z) - InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳（メタデータ） (2026-10-05T17:59:50Z) - Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。
これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。
その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
論文 参考訳（メタデータ） (2026-10-05T11:08:50Z) - DexAgent: An Agentic Human2Sim2Robot Framework for Dexterous Manipulation with Self-Evolving Tool Library [33.889168703992034]
DexAgentはエージェント的なHuman2Sim2Robotフレームワークで、一つの人間中心の動画を、政策訓練のための物理的に接地されたロボット軌道に変換する。
セマンティック理解、プロパティベースのシミュレーション再構成、ロボット軌道最適化、ロボットデータ生成の4段階を通じて動作する。
11の現実世界のタスクで、DexAgent生成データでトレーニングされたポリシーは、競合するベースラインよりも3.5倍高い成功率を達成する。
論文 参考訳（メタデータ） (2026-09-28T14:49:06Z) - WB-WAM: Heterogeneous Body-Hand Pre-training for Humanoid Loco-Manipulation [30.730467262133544]
本稿では,WB-WAMについて述べる。WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAM,WB-WAMの3つを紹介する。
共有された物理アクション空間は、異種ソースからの体、根、および異種手アノテーションを統合し、共同ビデオとアクション学習を可能にする。
我々はHumanoidArenaで81.9%の強い全身タスク性能を示し、実際の実験では5つのタスクで84.0%の成功率でWB-WAMを検証する。
論文 参考訳（メタデータ） (2026-09-28T03:11:19Z) - Zero-WAM: In-Context World-Action Modeling from Human Videos for Open-Ended Task Generalization [66.06331553787281]
テキスト内ビデオガイダンスに従うことで、見知らぬタスクを実行する因果的ビデオアクションモデルであるZero-WAMを提案する。
我々はまた、8.6Kタスクにまたがる74.2Kの人間ロボットICLペアのデータセットであるHumanGenを提示する。
RoboTwin 2.0シミュレーションの7つの目に見えないタスクにおいて、Zero-WAMは47.0%の平均的な成功率を達成する。
論文 参考訳（メタデータ） (2026-08-26T17:59:34Z) - SUGAR: A Scalable Human-Video-Driven Generalizable Humanoid Loco-Manipulation Learning Framework [27.050974194855964]
現実の世界における全身のロボット操作を一般化できるヒューマノイドロボットの構築は、依然として根本的な課題である。
SuGARは、多様な人間の動画をデプロイ可能なヒューマノイドのロコ操作スキルに変換するスケーラブルなデータ駆動フレームワークである。
シミュレーションと実世界のヒューマノイドハードウェアにおいて,SUGARを6つの代表的ロコ操作タスクで評価する。
論文 参考訳（メタデータ） (2026-05-19T18:24:05Z)
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。