論文の概要: ILA: A Transferable Interface-Level Adapter for Compliant Humanoid Motion Tracking
- arxiv url: http://arxiv.org/abs/2611.14985v1
- Date: Wed, 11 Nov 2026 03:41:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.001372
- Title: ILA: A Transferable Interface-Level Adapter for Compliant Humanoid Motion Tracking
- Title(参考訳): ILA: ヒューマノイドモーショントラッキングのためのトランスファー可能なインタフェースレベルアダプタ
- Abstract要約: 我々は、専用のインタラクションセンサを使わずに、ヒューマノイドモーショントラッキングに準拠するインタフェースレベルアダプタIRAを提案する。
ILAは、ロボットの観察履歴からの動作参照に適応し、ロボットが物理的なガイダンスに応答できるようにする。
ILAは、物理的相互作用によって引き起こされる参照補正を予測するために、完全にシミュレーションで訓練されている。
- 参考スコア(独自算出の注目度): 10.557769975149684
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid motion tracking is fundamental to reproducing human motions on humanoid robots and serves as an important tool for teleoperation and motion data collection. However, directly tracking reference motions can be unsafe in constrained environments or during physical human--robot interaction, motivating the need for compliant motion tracking. We present ILA, an Interface-Level Adapter for compliant humanoid motion tracking without dedicated interaction sensors. ILA adapts motion references from the robot's observation history, allowing the robot to respond to physical guidance while preserving the capabilities of a pretrained motion tracker. As an interface-level module, ILA can be directly plugged into different pretrained motion trackers without retraining either the adapter or the tracking policies. ILA is trained entirely in simulation to predict reference corrections induced by physical interaction. We evaluate ILA with three humanoid motion trackers and achieve a 63.6--75.4% reduction in guidance-target error compared with their original policies. Matched simulation studies and hardware experiments further show that ILA improves responsiveness to human guidance while preserving nominal motion-tracking performance. These results demonstrate compliant guidance as a reusable, sensor-free extension to pretrained humanoid motion trackers.
- Abstract(参考訳): ヒューマノイドモーショントラッキングは、ヒューマノイドロボット上での人間の動きの再現に基本的であり、遠隔操作とモーションデータ収集のための重要なツールとして機能する。
しかし、参照動作の直接追跡は、制約された環境や人間-ロボットの相互作用の間、安全ではない可能性があるため、準拠した動作追跡の必要性を動機付けている。
我々は、専用のインタラクションセンサを使わずに、ヒューマノイドモーショントラッキングに準拠するインタフェースレベルアダプタIRAを提案する。
ILAは、ロボットの観察履歴からの動作参照に適応し、トレーニング済みのモーショントラッカーの能力を保ちながら、ロボットが物理的なガイダンスに応答できるようにする。
インタフェースレベルのモジュールとして、ILAはアダプタやトラッキングポリシーを再トレーニングすることなく、異なる事前訓練されたモーショントラッカーに直接接続することができる。
ILAは、物理的相互作用によって引き起こされる参照補正を予測するために、完全にシミュレーションで訓練されている。
ILAを3つのヒューマノイドモーショントラッカーで評価し,誘導目標誤差を63.6~75.4%削減した。
一致したシミュレーション研究とハードウェア実験により、ILAは名目運動追跡性能を維持しながら、人間の誘導に対する応答性を改善することが示されている。
これらの結果は、トレーニング済みのヒューマノイドモーショントラッカーに対する、再利用可能な、センサフリーな拡張として、適合したガイダンスを示す。
関連論文リスト
- ViT-H: Generative Video-To-Humanoid Control with Motion Tracking Feedback [30.054369212518466]
ViT-Hはビデオからヒューマノイドの参照モーションを直接生成するビデオからヒューマノイドの制御フレームワークである。
動作品質と実行性の両方において、ViT-Hは最先端の再構築・再ターゲット追跡パイプラインより優れていることを示す。
論文 参考訳(メタデータ) (2026-10-23T17:54:09Z) - InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳(メタデータ) (2026-10-05T17:59:50Z) - WholeBodyWAM: Learning Whole-Body World Action Models with Scalable Motion Priors [28.761088065994244]
WholeBodyWAMは、ターゲットロボット訓練の前に、大規模な異種運動から全身動態を学習する。
言語条件のモーションエキスパートは、ターゲットロボットアクションの監督なしに、将来の全身の動きを予測するために事前訓練される。
実験により、WholeBodyWAMは運動抑制尺度の増大の恩恵を一貫して受けることが示された。
論文 参考訳(メタデータ) (2026-09-16T06:32:21Z) - Behavior Foundations for Quadruped Robots: ABot-C0 Technical Report [25.18747802029395]
本稿では,四足歩行ロボットの汎用動作制御システムであるABot-C0を提案する。
我々は、条件付きビデオ生成、注釈付きモーションキャプチャ、ヒューマンデザインを通じてデータピラミッドを構築し、16,074個の物理的に実現可能なモーションクリップを生成した。
そして、3段階の特権と知覚の枠組みを採用することで、ロバストな全地球移動に向けて一歩前進します。
論文 参考訳(メタデータ) (2026-07-08T13:04:07Z) - Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning [29.898955971414154]
多エージェント強化学習問題として, 密接に相互作用し, 力量変化する人間の動作系列の模倣を定式化する。
AssistMimicは、確立されたベンチマーク上でのアシストインタラクション動作の追跡に成功できる最初の方法であることを示す。
論文 参考訳(メタデータ) (2026-03-11T22:25:44Z) - OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。
実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。
実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
論文 参考訳(メタデータ) (2026-02-27T09:12:15Z) - Implicit Kinodynamic Motion Retargeting for Human-to-humanoid Imitation Learning [35.8296790596745]
Implicit Kinodynamic Motion Retargeting (IKMR)は、キネマティクスとダイナミックスの両方を考慮した、効率的でスケーラブルなフレームワークである。
IKMRは、モーション領域マッピングを学ぶために、モーショントポロジ表現とデュアルエンコーダデコーダアーキテクチャを事前訓練する。
実物大のヒューマノイドロボットでシミュレータと実物ロボットの両方で実験を行う。
論文 参考訳(メタデータ) (2025-09-18T21:34:02Z) - KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。
動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。
動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。
実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
論文 参考訳(メタデータ) (2025-06-15T13:58:53Z) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳(メタデータ) (2023-06-05T04:24:11Z) - QuestSim: Human Motion Tracking from Sparse Sensors with Simulated
Avatars [80.05743236282564]
人間の身体の動きのリアルタイム追跡は、AR/VRにおける没入感のある体験に不可欠である。
本稿では,HMDと2つのコントローラから疎信号を取り出す強化学習フレームワークを提案する。
一つのポリシーは、多様な移動スタイル、異なる体の大きさ、新しい環境に対して堅牢であることを示す。
論文 参考訳(メタデータ) (2022-09-20T00:25:54Z)
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。