論文の概要: METATRON: A Promptable Whole-Body Execution Layer for Humanoids

• arxiv url: http://arxiv.org/abs/2610.38027v1
• Date: Tue, 27 Oct 2026 22:26:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.923557
• Title: METATRON: A Promptable Whole-Body Execution Layer for Humanoids
• Title（参考訳）: MetaTron:ヒューマノイドのためのプロンプト可能な全体実行層
• Abstract要約: Metatronは、生成ベースのポリシーとプログラマブルなスキルレイヤを組み合わせた、迅速な全体実行層である。 スキル」と呼ばれるステートフルなプログラムは、各制御ステップのプロンプトとしてタスク意図を表現し、ポリシーが協調した動きに変わるような幾何学的なスケッチを描く。 物理的なUnitree G1では、凍ったチェックポイントがウォーキング、リカバリ、遠隔操作されたオブジェクトのピックアップ、家具の上に座るのをサポートする。
• 参考スコア（独自算出の注目度）: 37.875255523510276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid controllers often require task-specific training despite sharing the need for balance and whole-body coordination. We present Metatron, a promptable whole-body execution layer combining a generative base policy with a programmable skill layer. The base policy receives partial goals, collectively called a prompt, that can combine timed body-part targets, velocity commands, and style cues. It produces diverse whole-body motions consistent with these goals. Training combines motion capture, synthetic recovery trajectories, and retargeted scene-interaction motions. After training, the policy is frozen. Stateful programs called skills express task intent as prompts at each control step, drawing rough geometric sketches that the policy turns into coordinated movement. Skills are ordinary code, refined by coding agents that analyze motion data and fit compact rules without task-specific policy training. On the physical Unitree G1, one frozen checkpoint supports walking, recovery, teleoperated object pickup, and sitting on furniture. Comparative evaluations show higher reaching success and push robustness than the tested reference-tracking pipelines. The same recipe produces climbing and acrobatics on a simulated character. Metatron enables coding agents to turn learned motor capabilities into new skills through code, without further policy training.
• Abstract（参考訳）: ヒューマノイドコントローラは、バランスと全身調整の必要性を共有しながら、タスク固有のトレーニングを必要とすることが多い。 本稿では、生成ベースポリシーとプログラム可能なスキルレイヤを組み合わせた、プロンプト可能な全体実行層であるMetatronを提案する。 基本方針は、まとめてプロンプトと呼ばれ、タイムドボディパートターゲット、ベロシティコマンド、スタイルキューを組み合わせることができる部分ゴールを受け取る。 これらの目標と一致した多様な全身運動を発生させる。 トレーニングは、モーションキャプチャー、合成リカバリトラジェクトリ、および再ターゲットされたシーンインタラクションモーションを組み合わせる。 訓練後、方針は凍結される。 スキル」と呼ばれるステートフルなプログラムは、各制御ステップのプロンプトとしてタスク意図を表現し、ポリシーが協調した動きに変わるような粗い幾何学的スケッチを描き出す。 スキルは通常のコードであり、モーションデータを分析し、タスク固有のポリシートレーニングなしでコンパクトなルールに適合するコーディングエージェントによって洗練される。 物理的なUnitree G1では、凍ったチェックポイントがウォーキング、リカバリ、遠隔操作されたオブジェクトのピックアップ、家具の上に座るのをサポートする。 比較評価は、試験された基準追従パイプラインよりも高いリーチ成功とプッシュロバスト性を示す。 同じレシピは、クライミングとアクロバティックをシミュレートされたキャラクターで生成する。 Metatronを使えば、プログラミングエージェントは学習した運動能力を、さらなるポリシートレーニングなしで、コードを通じて新しいスキルに変えることができる。

関連論文リスト

• Co${}^{2}$Skill: Whole-Body Control via Skill Composition for Long-Horizon Human-Environment Interaction [27.264022051184337]
  本稿では,一貫したポリシー定式化を通じてシーンインタラクションと巧妙な操作を統合した2$Skillを提案する。 目標条件付きloco-manipulationカリキュラムを導入し、精度向上のための部分参照ガイダンスと、様々な初期状態からの探索を組み合わせる。 さらに、個別のスキルと選択されたタスクシーケンスを共同で訓練し、タスク境界を越えて物理状態を保存し、その後のシーンインタラクションにおける把握を維持するクロスタスクカリキュラムを導入する。
  論文  参考訳（メタデータ） (2026-10-07T01:49:39Z)
• InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation [54.00038257772902]
  ヒューマノイド・ロコ・マニピュレーションの試験時間進化について検討した。 私たちの重要な洞察は、ワイドコントローラが、新しいタスクに必要な能力の多くをすでに持っていることです。 InterEvolveはこのインターフェースを2つのコンポーネントで実現している。
  論文  参考訳（メタデータ） (2026-10-01T17:59:40Z)
• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator [6.961580294931018]
  両足歩行操作は、ロボットが腕の名目上の作業空間を超えて物体と対話することを可能にする。 タスクレベルの操作目標を協調した腕と脚の動きに変換する低レベル全体制御器を提案する。
  論文  参考訳（メタデータ） (2026-09-16T17:05:32Z)
• Learning Reusable Hybrid Motion Priors for Humanoid Locomotion from Motion Imitation [2.8733935930169228]
  本稿では,3段階のパイプラインを提案する。 シミュレーションにおいて,速度トラッキング,ポイントゴールナビゲーション,フォール-リカバリ速度トラッキングの手法の評価を行った。 学習したHMPは、アクティブなRVQステージの数が利用可能なパターンを変調する解釈可能なコードブック構造を明らかにする。
  論文  参考訳（メタデータ） (2026-07-27T07:25:17Z)
• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
  本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。 本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。 我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-06-06T16:44:56Z)
• Continual Quadruped Robots Coordination via Semantic Skill Discovery [17.82598716904032]
  マルチクワッドループ調整は、ペイロード容量の増強、コンタクト範囲の拡大、課題への適応性の向上などにより、注目を集めている。 既存のマルチクワッドループ操作の方法は、通常、事前に定義されたタスクファミリやクローズドタスクファミリにフォーカスする。 本稿では,検索・適応・更新プロセスとして連続的な多重四分法協調を定式化するセマンティック・スキル・ライブラリー・フレームワークであるConquerを提案する。
  論文  参考訳（メタデータ） (2026-06-06T11:07:13Z)

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。