論文の概要: SONIC-K1: Porting a Universal Humanoid Motion Tracker to a Small Humanoid on a Single GPU
- arxiv url: http://arxiv.org/abs/2610.39327v3
- Date: Thu, 05 Nov 2026 03:03:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.237896
- Title: SONIC-K1: Porting a Universal Humanoid Motion Tracker to a Small Humanoid on a Single GPU
- Title（参考訳）: SONIC-K1:Universal Humanoid Motion Trackerを1つのGPU上の小さなヒューマノイドに移植する
- Abstract要約: 我々は、Booster K1ヒューマノイドのための最初のオープンウェイト全体モーショントラッカーであるSONIC-K1を紹介する。
ポリシーは、SONICが報告した計算のごく一部で、単一の共有GPUでスクラッチからトレーニングされる。
その結果, トレーニング予算が緩やかな場合, 広範囲な運動追跡が可能であった。
- 参考スコア（独自算出の注目度）: 0.5735035463793009
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present SONIC-K1, to our knowledge the first open-weights whole-body motion tracker for the Booster K1 humanoid, obtained by adapting the SONIC framework to this smaller robot. The policy is trained from scratch on a single shared GPU with a small fraction of the compute reported for SONIC. In MuJoCo simulation, it tracks nearly all held-out motion clips and performs well on external benchmarks under SONIC's success criterion. The first release ran on the real K1 but shook its legs on steps and turns, and simulation showed a sensitivity to actuation delay. We therefore post-trained it with the robot's deployment torque limits, randomized actuation delay and gain randomization. The post-trained v1.0 stays robust under real-robot torque limits and large actuation delays, where the first release often failed, and in our runs on the real K1 it walks and turns without the earlier leg shaking. These results show broad motion-tracking capability on a modest training budget. Code, policy weights and evaluation tools are publicly available.
- Abstract（参考訳）: 我々は,この小型ロボットにSONICフレームワークを適用した,Booster K1ヒューマノイドのための初のオープンウェイト全体モーショントラッカーSONIC-K1を提案する。
ポリシーは、SONICが報告した計算のごく一部で、単一の共有GPUでスクラッチからトレーニングされる。
MuJoCoシミュレーションでは、ほとんどすべてのホールドアウトモーションクリップを追跡し、SONICの成功基準の下で外部ベンチマークでうまく機能する。
最初のリリースは本物のK1上で動作したが、足を踏んで回転させ、シミュレーションではアクティベーションの遅延に敏感だった。
そこで我々は,ロボットの展開トルク制限,ランダム化動作遅延,ランダム化による後処理を行った。
ポストトレーニング後のv1.0は、実際のロボットトルク制限と大きなアクティベーション遅延の下で頑健であり、最初のリリースが失敗することが多い。
これらの結果から,適度なトレーニング予算で広範囲な運動追跡が可能であった。
コード、ポリシーの重み付け、評価ツールが公開されている。
関連論文リスト
- RoboWorM: Evaluating Movement Realism, Consistency and Acceleration Affects in Embodied Video World Models [78.10886118053115]
ビデオワールドモデル(VWM)は、ロボット操作のためのスケーラブルなニューラルシミュレータとして急速に発展しつつある。
ほとんどのベンチマークでは、厳密な3次元空間的推論とキネマティック推論を欠いたビジョンランゲージモデル(VLM)を使用して、それらをオープンワールドビデオジェネレータとしてのみ評価している。
このギャップを埋めるために、包括的で既知のハードウェア事前ベンチマークであるRoboWorMを紹介します。
我々は,RoboWorMが表面的な視覚的品質を維持しつつ,配置クリティカルな物理的制約を黙秘的に克服できることを実証する。
論文 参考訳（メタデータ） (2026-10-24T17:11:06Z) - TRACE: Efficient Transfer Learning for Neural Whole-Body Control Across Humanoid Embodiments [8.279603530131153]
本稿では,効率的なクロスボデーメント適応のためのフレームワークであるTRACEについて述べる。
TRACEはまず、入力と出力の射影層にキネマティック先行を注入し、名目上の関節力学を整列させる。
次に、エンコーダ蒸留と低ランク強化学習を、コンパクトで高品質なモーションセットで組み合わせる。
論文 参考訳（メタデータ） (2026-10-13T09:02:12Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - Learning Sim-to-Real Humanoid Locomotion in 15 Minutes [51.500643119683225]
本稿では,FastSACとFastTD3という,非政治的RLアルゴリズムに基づくシンプルで実用的なレシピを提案する。
我々の単純なレシピは、何千もの並列環境において、政治外のRLアルゴリズムを大規模に安定化させる。
我々は,Unitree G1 と Booster T1 ロボット上でのヒューマノイド移動制御器のエンドツーエンドの迅速な学習を実演する。
論文 参考訳（メタデータ） (2025-12-01T18:55:17Z) - SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。
我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。
本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
論文 参考訳（メタデータ） (2025-11-11T04:37:40Z) - NeuroScalar: A Deep Learning Framework for Fast, Accurate, and In-the-Wild Cycle-Level Performance Prediction [18.863968099669364]
本稿では,生産ハードウェア上での高忠実なインザワイルドシミュレーションのための新しいディープラーニングフレームワークを提案する。
我々のコアコントリビューションは、仮説プロセッサ設計のためのサイクルレベルの性能を予測するために、マイクロアーキテクチャに依存しない機能に基づいて訓練されたDLモデルである。
このフレームワークは,大規模なハードウェアA/Bテストと正確な性能解析を可能にすることを実証する。
論文 参考訳（メタデータ） (2025-09-26T14:36:06Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - Inverse Kinematics for Neuro-Robotic Grasping with Humanoid Embodied Agents [13.53738829631595]
本稿では,カルト空間におけるスムーズなロボットの動きを素早く設計できるゼロショットモーションプランニング手法を提案する。
B'ezier曲線をベースとしたCartesian Planは、我々の神経インスパイアされた逆運動学(IK)手法であるCycleIKによって、関節空間の軌跡に変換される。
人型ロボットNICOとNICOLの物理的ハードウェア上での動作プランナの評価を行った。
論文 参考訳（メタデータ） (2024-04-12T21:42:34Z) - EV-Catcher: High-Speed Object Catching Using Low-latency Event-based
Neural Networks [107.62975594230687]
イベントカメラが優れており、高速移動物体の衝突位置を正確に推定するアプリケーションを実証する。
イベントデータを低レイテンシでエンコードするために,Binary Event History Image(BEHI)と呼ばれる軽量なイベント表現を導入する。
計算制約のある組込みプラットフォーム上でも最大13m/sの速さで, 異なる場所をターゲットとした球のキャッチにおいて, 81%の成功率を達成することができることを示す。
論文 参考訳（メタデータ） (2023-04-14T15:23:28Z)
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。