論文の概要: HumanoidNDM: Closing the Training-Deployment Gap of Motion Tracking via Humanoid Neural Dynamics Model

• arxiv url: http://arxiv.org/abs/2610.34126v1
• Date: Sun, 25 Oct 2026 07:51:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.540757
• Title: HumanoidNDM: Closing the Training-Deployment Gap of Motion Tracking via Humanoid Neural Dynamics Model
• Title（参考訳）: HumanoidNDM:Humanoid Neural Dynamics Modelによる運動追跡のトレーニング・デプロイギャップの閉鎖
• Abstract要約: HumanoidNDMは、実世界のトレーニングされたニューラルダイナミクスモデルによって駆動される、ヒューマノイドモーショントラッキングのためのオンラインの微調整フレームワークである。 我々はHumanoidNDMが様々な摂動に迅速に適応できることを示す。
• 参考スコア（独自算出の注目度）: 16.487344168569646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots have recently achieved remarkable success in motion tracking. However, during real-world deployment, robots inevitably encounter dynamics gaps arising from either extra physical disturbances or inaccurate simulation modeling, resulting in a significant training-deployment gap. Therefore, effectively leveraging real-world data to fine-tune policies represents the crucial last mile for robust deployment. To bridge this gap, we propose HumanoidNDM, an online fine-tuning framework for humanoid motion tracking driven by a real-world-trained neural dynamics model. First, in the data collection stage, we introduce a low-frequency reference perturbation method with an adaptive intensity mechanism, balancing deployment feasibility and exploration efficiency. Second, for the model training stage, we train a robust history-based, proprioceptive neural dynamics model in Euclidean space by incorporating differentiable forward kinematics, eliminating the reliance on costly motion capture systems. Finally, in the policy fine-tuning stage, we directly fine-tune the policy via backpropagated model gradients, achieving high data efficiency. Through physical validation on the Unitree G1 robot, we demonstrate that HumanoidNDM enables rapid real-world adaptation to various perturbations, representing the first online, MoCap-free fine-tuning framework for humanoid tracking policies.
• Abstract（参考訳）: ヒューマノイドロボットは、最近、モーショントラッキングにおいて顕著な成功を収めた。 しかし、実際の展開中、ロボットは必然的に、余分な物理的障害または不正確なシミュレーションモデルから生じるダイナミックスギャップに遭遇し、結果としてトレーニングとデプロイのギャップが顕著になる。 したがって、実世界のデータを効果的に微調整ポリシーに活用することは、ロバストなデプロイメントにとって重要な最後のマイルである。 このギャップを埋めるために、実世界のニューラルネットワークモデルによって駆動されるヒューマノイドモーショントラッキングのためのオンライン微調整フレームワークであるHumanoidNDMを提案する。 まず、データ収集段階では、適応強度機構を備えた低周波基準摂動法を導入し、デプロイメントの実現可能性と探索効率のバランスをとる。 第2に, モデルトレーニング段階において, ユークリッド空間における頑健な履歴に基づく固有受容型ニューラルダイナミクスモデルを, 異なる前方運動学を取り入れて訓練し, コストのかかるモーションキャプチャシステムへの依存を排除した。 最後に、ポリシーの微調整段階において、バックプロパゲートモデル勾配を介してポリシーを直接微調整し、高いデータ効率を達成する。 我々は,Unitree G1ロボットの物理的検証を通じて,HumanoidNDMが様々な摂動に迅速に適応できることを実証した。

関連論文リスト

• Adapting Neural Robot Dynamics on the Fly for Predictive Control [7.805013939786426]
  オフライントレーニングと効率的なオンライン更新を組み合わせた,ニューラルロボットダイナミックモデルの迅速な適応のためのアプローチを提案する。 本研究では,新しい動作条件下でのロバストな予測追従制御を実現するために,実四足歩行ロボットのアプローチを実証する。
  論文  参考訳（メタデータ） (2026-04-05T09:45:26Z)
• 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)
• SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
  人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。 タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:03:14Z)
• One-shot Humanoid Whole-body Motion Learning [18.375746497945023]
  通常、動作カテゴリごとに複数のトレーニングサンプルを必要とする。 本研究では,1つの非歩行目標運動サンプルのみを用いて,効果的なヒューマノイド運動ポリシーを訓練する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-29T07:48:10Z)
• 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)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Human-Robot Skill Transfer with Enhanced Compliance via Dynamic Movement Primitives [1.7901837062462316]
  本研究では,動的運動プリミティブ(Dynamic Movement Primitives)フレームワークにおいて,人間の実演から動的特徴を抽出し,パラメータを自動チューニングする体系的手法を提案する。 本手法は,LfDとRLの両方に追従するロボット軌道を再現するために,人間の動的特徴を抽出するための実際のロボット装置に実装した。
  論文  参考訳（メタデータ） (2023-04-12T08:48:28Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• 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)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)

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。