論文の概要: MotionSkill: From Bipedal Motion Video to Control across Embodiments
- arxiv url: http://arxiv.org/abs/2611.16346v1
- Date: Thu, 12 Nov 2026 06:04:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.374142
- Title: MotionSkill: From Bipedal Motion Video to Control across Embodiments
- Title(参考訳): モーションスキル:二足歩行の動画から身体の制御まで
- Abstract要約: MotionSkillはモノクロビデオからタイムドリファレンスを回復し、シミュレーションで各ターゲットに適応する。
共通のフレームにルートモーションとボディランドマークをアライメントし、各瞬間に利用可能なランドマークを記録します。
MuJoCoでは、1つの4秒歩行クリップからマップされた基準に基づいて、各10個の2足歩行について個別に残留ポリシーを訓練する。
- 参考スコア(独自算出の注目度): 3.235927353781353
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Reusing a demonstrated gait can reduce the work of specifying the same motion for each biped. A video captures the timing of a step, but each robot must execute it with its own limbs and actuators. MotionSkill recovers a timed reference once from monocular video and adapts it to each target in simulation. It aligns root motion and body landmarks in a common frame and records which landmarks are available at each instant. At each source timestamp, the mapper preserves limb directions, uses the target segment lengths, and solves inverse kinematics under joint limits and closure constraints. In MuJoCo, we train a separate residual policy for each of ten bipeds on its mapped reference from one four-second walking clip. Each policy uses the measured robot state to correct joint commands during contact. From initial states held out during training, MotionSkill completed 98% of trials on the original video and 26% with the upper body occluded for one second.
- Abstract(参考訳): 実証歩行の再利用は、二足歩行ごとに同じ動きを指定する作業を減らすことができる。
ビデオはステップのタイミングをキャプチャするが、各ロボットはそれぞれの手足とアクチュエータでそれを実行しなければならない。
MotionSkillはモノクロビデオからタイムドリファレンスを回復し、シミュレーションで各ターゲットに適応する。
共通のフレームにルートモーションとボディランドマークをアライメントし、各瞬間に利用可能なランドマークを記録します。
各ソースのタイムスタンプでは、マッパーは手足の方向を保存し、ターゲットのセグメント長を使用し、関節の制限と閉鎖の制約の下で逆運動学を解く。
MuJoCoでは、1つの4秒歩行クリップからマップされた基準に基づいて、各10個の2足歩行について個別に残留ポリシーを訓練する。
各ポリシーは、測定されたロボットの状態を使用して、接触中の関節のコマンドを補正する。
トレーニング中の最初の状態から、MotionSkillはオリジナルビデオの98%のトライアルを完了し、上半身は1秒間閉鎖された。
関連論文リスト
- OnlyAct: Extracting Action Representations from Foundation Models for World Models [71.72008274011196]
アクションラベルは不足しており、互換性のない仕様で断片化されており、ラベルなしのビデオ事前トレーニングコーパスではスケールしない。
一般的な回避策は、連続したフレームを潜在動作に圧縮するようにアクションエンコーダとデコーダとを共同で訓練し、次のフレームを前フレームと潜伏から再構築し、潜伏者が新しい情報のみを取得するように強制する。
異なるシーン下で同じ動きを共有するフレームペアをまとめて、異なる動きで同じシーンから分離するラベルフリーコントラスト適応フレームワークを提案し、再構成ボトルネックを伴わずに事前学習された空間の幾何学を再構築する。
論文 参考訳(メタデータ) (2026-11-10T17:59:19Z) - An Empirical Study of Wrist-Target Construction and Joint-Angle Limits in Humanoid Arm Retargeting [0.0]
動きは、実証された人間の動きをロボットにマッピングし、関節の動きを計算する。
本研究は,計算された腕関節角度がUnitree H1-2の許容限界に達するかどうかに,所望の手首位置がどう影響するかを検討する。
論文 参考訳(メタデータ) (2026-10-27T18:23:41Z) - TopX: Text-to-Motion for Unseen Skeletons from the Skeleton File Alone [4.9460776826182355]
本研究では、文字やテンプレート、微調整のクリップを使わずに、訓練中に見えない骨格のテキスト・トゥ・モーションについて研究する。
TopXは、すべてのベンチマークスケルトン(4-117関節)をそのスケルトンファイルから直接使い、最大240フレームを生成する。
ホールドアウトゲームでは、実際のクリップの2ハーフが互いに関連しているのと同じくらい、実際のクリップに近い動きをする。
論文 参考訳(メタデータ) (2026-10-25T14:31:53Z) - State World Models: Execute the Rules, Generate the Pixels [87.46047440037937]
Stateful Harnessは、ステートフルとルールが支配するインタラクションをサポートするために、世界進化をビデオレンダリングから分離するフレームワークである。
特定のルールの下で進化する世界状態を維持し、結果のイベントを凍結したビデオモデルでレンダリングし、生成されたクリップを使用して次のターンに世界状態を更新する。
論文 参考訳(メタデータ) (2026-10-19T17:50:32Z) - Keep the Effect, Drop the Actor: Programmable Effect-to-Execution World-Action Models [7.9328487827078975]
PEWAMは、独立したフローマッチング時間を持つ4つのストリームとして、エフェクト、ロボット実行、アクション、端末状態を生成する。
保持されたLIBERO-Goalタスクでは、デモのプログラムが90エピソード中40エピソードを完了し、同じバックボーンがゴールイメージまたは言語を与え、デモ条件付きメソッドを発行する。
プログラムは座標の集合であるので、人はそれを編集できる。配置はシフトした端末状態に従い、グリップは回転した接触点で回転する。
論文 参考訳(メタデータ) (2026-10-01T19:25:04Z) - Geometry-Preserving Human-to-Robot Upper-Body Motion Retargeting from Monocular Video [10.818278704013943]
本報告では, 身体の統一的再構築と形態素に依存しない幾何的移動を統合化するための動き認識フレームワークを提案する。
両腕デキスタラスロボット上で,単眼映像から上半身運動への統一パイプラインを実証した。
論文 参考訳(メタデータ) (2026-09-29T15:14:20Z) - Traceable Human-to-Humanoid Sign Language Benchmarking [87.8147609048596]
ヒューマノイド署名は、ビデオから派生した人間の動きを、言語的な動きの手がかりを保持しながらロボットの軌跡に変換する必要がある。
我々は20,648の文レベルの中国語手話列のデータセットとベンチマークであるHuoidCSL-20Kを紹介する。
論文 参考訳(メタデータ) (2026-09-27T08:24:57Z) - MotionBlind: Probing the Illusion of Motion Understanding in Video-LLMs [4.006324106431453]
ビデオ大言語モデル (Video-LLMs) は、世界モデルの知覚的フロントエンドとしてますます使われている。
我々は、物理的に接地されたモーションのための自己記録ビデオのコントラストベンチマークであるMotionBlindを紹介する。
Video-LLMは、同じ部屋で同じ人の2つのクリップを見ることができる。
論文 参考訳(メタデータ) (2026-09-08T23:15:20Z) - DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。
DemoBridgeの中核は、衝突を意識した単一のプランナーである。
物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
論文 参考訳(メタデータ) (2026-07-10T15:31:04Z) - Tracking Everything Everywhere All at Once [111.00807055441028]
ビデオシーケンスから高密度及び長距離運動を推定するための新しいテスト時間最適化法を提案する。
我々はOmniMotionと呼ばれる完全で一貫した動作表現を提案する。
提案手法は,従来の最先端手法よりも定量的にも定性的にも大きなマージンで優れている。
論文 参考訳(メタデータ) (2023-06-08T17:59:29Z) - Layered Neural Rendering for Retiming People in Video [108.85428504808318]
そこで本研究では,通常の自然ビデオで人々をリタイピングする手法を提案する。
異なる動きを時間的に調整したり、特定の動作の速度を変更したり、選択した人々をビデオから完全に「排除」したりできます。
このモデルの主な特徴は、入力ビデオ中の各人物の直接の動きを分離するだけでなく、各人物が生成するシーンの変化と自動的に関連付けることである。
論文 参考訳(メタデータ) (2020-09-16T17:48:26Z)
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。