論文の概要: GRASP: Gradient-Guided Sampling for Contact-Rich Physics-Based Motion Retargeting
- arxiv url: http://arxiv.org/abs/2611.05754v1
- Date: Tue, 03 Nov 2026 23:53:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:57.904441
- Title: GRASP: Gradient-Guided Sampling for Contact-Rich Physics-Based Motion Retargeting
- Title（参考訳）: GRASP: Gradient-Guided Smpling for Contact-Rich Physics-Based Motion Retargeting
- Abstract要約: ロボット学習のための人間の実演を物理ベースで研究する。
GRASP(提案のためのアーカイブサンプルからのグラディエント・リカバリ)を提案する。
GRASP-TOは、ローカルコストモデルをアーカイブされたロールアウトに適合させることで、シーケンシャルなモンテカルロを拡張している。
また,実ハードウェア上での器用な操作と全身のヒューマノイド動作を実証する。
- 参考スコア（独自算出の注目度）: 11.35195884843779
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study physics-based retargeting of human demonstrations for robot learning: finding robot controls that reproduce reference motions under contact dynamics. We propose GRASP (Gradient Recovery from Archived Samples for Proposals), which combines sampling-based exploration with gradient-guided refinement without requiring a differentiable simulator. GRASP-TO extends tempered sequential Monte Carlo by fitting local quadratic cost models to archived rollouts and using their gradients to guide Markov chain Monte Carlo rejuvenation. Metropolis-Hastings correction preserves the target distribution for each fixed proposal kernel, and a population analysis connects the recovered gradients to Gaussian smoothing. GRASP-MPC scales this optimizer to long demonstrations through warm-started receding-horizon planning. Experiments on dexterous hands and humanoids show accurate retargeting with a shared tracking objective and no task-specific contact rewards, including 92.8% success on 1352 bimanual OakInk2 demonstrations. The refined references improve PPO tracking in pen spinning and humanoid-object interaction. We also demonstrate dexterous manipulation and whole-body humanoid motion on real hardware.
- Abstract（参考訳）: 本研究では,ロボット学習のための人体実験の物理に基づく再ターゲティングについて検討する。
本稿では, GRASP (Gradient Recovery from Archived Samples for Proposals) を提案する。
GRASP-TOは、局所的な二次的なコストモデルをアーカイブされたロールアウトに適合させ、その勾配を使ってマルコフ連鎖モンテカルロの復活を誘導することで、誘引された連続モンテカルロを拡張している。
メトロポリス・ハスティングス補正は各固定された提案カーネルの目標分布を保存し、個体群解析は回収された勾配をガウス滑らか化に結びつける。
GRASP-MPCは、このオプティマイザをウォームスタートしたリクライニング・ホライゾン計画を通じて長時間のデモンストレーションに拡張する。
器用な手とヒューマノイドの実験では、共通の追跡目標とタスク固有の接触報酬がなく、1352回のOakInk2のデモンストレーションで92.8%の成功を含んでいる。
改良された基準は、ペン紡糸およびヒューマノイド-オブジェクト相互作用におけるPPO追跡を改善する。
また,実ハードウェア上での器用な操作と全身のヒューマノイド動作を実証する。
関連論文リスト
- MoRE-GS: Motion-Regime Experts for Future Gaussian Splatting [2.363388546004777]
MoRE-GSはダイナミックな3Dガウスシーンを予測するための因果的、レンダリング対応フレームワークである。
コンパクトなルーティングテーブルは、ソフトモーショングループと予測水平ビンにまたがるエキスパート混合物を割り当てる。
D-NeRFとHyperNeRFのシーン全体で、MoRE-GSは他の手法と比較して性能が向上した。
論文 参考訳（メタデータ） (2026-10-30T20:58:11Z) - Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning [8.017186118280366]
既存のキノダイナミック軌道最適化パイプラインは計算コストが高く、運動ごとに手動で調整する必要があることが多い。
本稿では,FRDV(Fast Retargeting with Dynamics Validation)について述べる。
そのキネマティックステージはシークエンシャル・クアドラティック・プログラミング、リアルタイム・イット、チャンクベースの処理を統合し、最大9,156フレーム/秒を実現し、GMRやProtoMotionの約136倍高速である。
論文 参考訳（メタデータ） (2026-10-20T16:22:00Z) - EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ [67.89251850608498]
EgoExplorerは、ウェアラブルシステムで構築された人間のロボ操作の100時間の視覚モーションタッチ観測所である。
プロの活動に重点を置いて、その連続的な録音は、エゴセントリックなビデオと、再構築された全身の動きとを一致させる。
我々は,このカバーをスパースボディセンシングで実現するために,Calibrate-Complete-Constrainパイプラインを開発した。
論文 参考訳（メタデータ） (2026-10-13T17:59:55Z) - Demonstration Synthesis from a Single Scan via Gaussian Splatting for Visuomotor Policy Learning [9.802667292457985]
本稿では,人間の入力として1本のビデオスキャンで実演を大量生成する高忠実度データエンジンを提案する。
それぞれのタスクに対して、ターゲット環境と視覚的にマッチするデモをレンダリングし、幾何学的再構成に基づいて純粋にキネマティックに把握および軌道を計画する。
論文 参考訳（メタデータ） (2026-09-17T21:52:01Z) - MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
MotionMARは、スパース観測からの運動再構成のためのフレームワークである。
まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。
MotionMARは、AMASSデータセット上で最先端の精度を達成する。
論文 参考訳（メタデータ） (2026-06-22T08:15:56Z) - Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos [6.238518905285812]
単眼ビデオデモからの模倣学習は、ヒューマノイドロボットに複雑なスキルを教えるためのスケーラブルなアプローチを提供する。
本稿では,エキスパートビデオから直接高忠実で動的に実現可能な軌道を生成する新しい単一ステージフレームワークであるDirect Dynamic Retargeting (DDR)を提案する。
我々の実験は、幾何学的バイアスをバイパスすることで、DDRはデモ追跡精度において最先端のベースラインを上回ることを実証した。
論文 参考訳（メタデータ） (2026-05-22T15:33:40Z) - ManiGaussian++: General Robotic Bimanual Manipulation with Hierarchical Gaussian World Model [52.02220087880269]
本稿では,階層的世界モデルを用いてマルチタスクシーンのダイナミックスを消化することにより,双方向操作を改善するManiGaussianフレームワークの拡張を提案する。
提案手法は,シミュレーションタスク10件で20.2%,実世界の課題9件で平均60%の成功率で,最先端のバイマニュアル操作技術よりも優れていた。
論文 参考訳（メタデータ） (2025-06-24T17:59:06Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - ManiGaussian: Dynamic Gaussian Splatting for Multi-task Robotic Manipulation [58.615616224739654]
従来のロボット操作法は通常、予測のための観察の意味表現を学ぶ。
マルチ時間ロボット操作のための動的ガウス分割法ManiGaussianを提案する。
我々のフレームワークは、最先端の手法を平均的な成功率で13.1%上回ることができる。
論文 参考訳（メタデータ） (2024-03-13T08:06:41Z) - 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) - Graph-based Normalizing Flow for Human Motion Generation and
Reconstruction [20.454140530081183]
過去の情報と制御信号に基づく長地平線運動系列を合成・再構築する確率生成モデルを提案する。
足踏み解析と骨長解析を併用したモーションキャプチャデータセットを用いたモデル評価を行った。
論文 参考訳（メタデータ） (2021-04-07T09:51:15Z)
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。