論文の概要: MimicAll: Structured Embodiment Conditioning for Cross-Humanoid Whole-Body Motion Tracking
- arxiv url: http://arxiv.org/abs/2610.33508v1
- Date: Sat, 24 Oct 2026 07:31:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.347712
- Title: MimicAll: Structured Embodiment Conditioning for Cross-Humanoid Whole-Body Motion Tracking
- Title（参考訳）: MimicAll:クロスヒューマノイド全体モーショントラッキングのための構造化体調
- Abstract要約: ヒューマノイドを用いた全身運動追跡のための強化学習フレームワークであるMimicAllについて紹介する。
構造化エンボディメント記述子は、グローバルおよびジョイント整列条件に符号化される。
制御されたアブレーションは、具体化情報によって単純な結合による運動完了が向上することを示している。
- 参考スコア（独自算出の注目度）: 14.582614860583256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid motion trackers reproduce diverse behaviors, but sharing a policy across bodies requires accounting for differences in structure, morphology and dynamics. We present MimicAll, a reinforcement-learning framework for shared whole-body motion tracking across heterogeneous humanoids. A structured embodiment descriptor is encoded into global and joint-aligned conditions, which are combined with observation history and body-matched motion references to predict joint-target offsets. Physics-consistent embodiment randomization, body-calibrated retargeting and heterogeneous simulation support training across 4,096 variants from 16 humanoid families. We introduce a benchmark of 464 bodies across five distribution strata to evaluate motion generalization, within-family embodiment shifts and unseen-family transfer. Controlled ablations show that embodiment information improves motion completion with simple concatenation, while self-attention yields the lowest global position errors. With equal training transitions, shared training achieves 99.4% 30-second success on randomized G1 bodies in 100STYLE, versus 42.9% for a single-body specialist. With Flat-MLP encoding and concatenation, continued training on a motion subset excluding obstacle categories achieves 98.3% and 93.5% 30-second success on 100STYLE for sampled training bodies and out-of-distribution variants within seen families, respectively. On an eight-motion LAFAN1 subset excluding ground and get-up sequences across 464 bodies, mismatched body conditions reduce self-attention's 30-second success from 61.7% to 47.0%, demonstrating a closed-loop benefit from embodiment information.
- Abstract（参考訳）: ヒューマノイドモーショントラッカーは多様な動作を再現するが、体間でポリシーを共有するには、構造、形態、ダイナミクスの違いを考慮する必要がある。
異種ヒューマノイドを用いた全身運動追跡のための強化学習フレームワークであるMimicAllを提案する。
構造的エンボディメント記述子は, 観測履歴と身体適合運動基準とを組み合わさって, 共同目標オフセットの予測を行うグローバルおよびジョイントアライン条件に符号化される。
16のヒューマノイドファミリーの4,096種類にわたる物理共存型エンボディメントランダム化、身体校正型リターゲティング、異種シミュレーション支援訓練。
本研究では,5つの分布層にまたがる464体のベンチマークを導入し,運動一般化,家族内エンボディメントシフト,および家族間移動を評価する。
制御されたアブレーションにより、実施情報は単純な連結で動きの完了を改善する一方、自己注意は最小のグローバル位置誤差をもたらすことが示される。
均等なトレーニングの移行により、100STYLEのランダム化されたG1ボディでは99.4%が30秒で成功し、シングルボディのスペシャリストでは42.9%が成功している。
Flat-MLPの符号化と結合により、障害カテゴリーを除く運動サブセットの継続トレーニングは、100STYLEで98.3%と93.5%の30秒の成功を収めた。
LAFAN1サブセットは、464体にまたがるグラウンドおよびアップシーケンスを除いた8モーションのRAFAN1サブセットで、不一致の体調は、自己注意の30秒の成功を61.7%から47.0%に減少させ、エンボディメント情報によるクローズドループの利点を示している。
関連論文リスト
- CoCarry: Contact-Support-Structured Retargeting for Dual-Humanoid Cooperative Carrying [38.989879740567105]
220個の同期された2人のシーケンスを含む協調搬送データセットであるCoCarryを紹介した。
そこで本稿では, 個別動作から始まり, 両ヒューマノイドを同一の所定の対象軌跡の周囲で共同精製するコンタクト・サポーポート・ストラクタブル・リターゲティングを提案する。
220個のコカリー配列を2つのA3ヒューマノイドに再ターゲティングし,0.9995個の接触保存を達成し,GMRおよびOmniRetargetに対する侵入期間を67.0%,71.0%削減し,100%の成功率を維持する。
論文 参考訳（メタデータ） (2026-10-23T10:24:02Z) - DONIC: Generalist Dexterous Bimanual Tracking Control from Human Demonstrations [62.525114958093496]
操作カテゴリと人体運動源を共同で訓練した最初の一般用バイマニュアルトラッカーであるDONICについて紹介する。
対象中心ごとの報酬は、基準コンタクトロールに従って各手を監督しながら、オブジェクトモーションフィードバックを維持する。
単一のチェックポイントは、トレーニング対象の未確認軌道で86.79%、保持対象で57.32%を達成している。
論文 参考訳（メタデータ） (2026-10-21T16:36:02Z) - RSI-Anything: Unlocking Recursive Self-Improvement with World Models [76.79361510862277]
RSI-AnythingはJEPA-Anything上に構築されたドメイン・ジェネラル・フレームワークである。
予測ワールドモデルを使用して、アクションと学習データの選択をガイドする。
コード修復では、コーダーが固定され、静的検証器で成功率は26.3%から予測選択により29.2%に増加する。
論文 参考訳（メタデータ） (2026-10-09T17:50:30Z) - PartiGen: Part-Aware Representations for Language-Conditioned Humanoid Motion Generation [22.85257783231496]
PartiGenは、解剖学的構造を共有された全身運動表現に組み込む、部分認識の潜在拡散フレームワークである。
ユニツリーG1に再ターゲットされたHumanML3Dでは、PartiGenは3.165のセグメントレベルのFIDを実現し、TextOpを16.8%削減し、R@1を1.4ポイント改善した。
論文 参考訳（メタデータ） (2026-10-09T10:46:40Z) - FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting [51.97027820630168]
人間の手オブジェクトのデモは、器用なロボット学習のためのスケーラブルなデータソースを提供する。
既存の物理学に基づく手法は、通常、それぞれのデモンストレーションを独立して最適化する。
マルチ参照トラッキングのためのRLフレームワークであるFlashDexRetargetを紹介する。
論文 参考訳（メタデータ） (2026-10-01T15:15:42Z) - Optimize, Learn, Refine: Whole-Body Grasping and Pick-and-Throw with a Spiral Soft Robot [6.207793217754436]
結果に基づくアクティベーション・スペース最適化により、初期未処理状態からの体全体の把握とピック・アンド・スローに対処する。
CMA-ESはサンプリングされた条件に対する解を生成し、タスク条件付き予測器はウォームスタートを学習し、CMA-ESは見当たらない条件のためにそれらを洗練する。
シミュレーションでは,3回の投球試験で492/500の達成率(98.4%)と98%,97%,94%の成功率を達成した。
論文 参考訳（メタデータ） (2026-09-22T04:29:37Z) - Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - FailureScope: Cross-Regime Behavioral Diagnosis of Language Model Weaknesses [0.0]
FailureScopeは、クロスモデルパス/フェイルパターンによる評価プローブをクラスタ化する行動診断手法である。
通常、シングルターン・ベンチマーク、マルチターン・ダイアログ、敵エージェント・アタックの3つのレシスタンスに対して安定かつ解釈可能な障害をもたらすことを示す。
論文 参考訳（メタデータ） (2026-06-03T01:28:00Z) - AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers [49.796014934503184]
本研究では、単一モデルで多様なロボット形態に人間の動きを適応させることができる統一型ニューラルネットワークフレームワークを提案する。
12個の異なるヒューマノイドロボットの実験結果から、AdaMorphが異種トポロジにわたって効果的に制御できることが示されている。
論文 参考訳（メタデータ） (2026-01-12T07:39:38Z) - Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。
本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-07T15:57:00Z)
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。