2026/8/1arXiv:2608.13555

HumanTracker: Towards Comprehensive and Human-Aligned Motion Tracking Benchmark

詳しい要約

1. どんなもの？

HumanTrackerは、ヒューマノイドのモーション追跡評価を、人間の知覚に合わせつつスケーラブルにするためのベンチマークと評価指標を導入する研究。約153時間の光学モーショントラジェクトリを複数のプロのパフォーマーから収集し、4つのモーションファミリーに整理し、テキストラベルで詳細な診断を可能にする。また、12Kのモーションペア（24Kのモーション）で訓練された選好整合型メトリックHumanScoreを提案する。

2. 先行研究と比べてどこがすごい？

従来の評価は、フレームごとの姿勢差を平均するkinematic errorsが主流で、足の滑りや接地タイミングの誤りなど、物理的なアーティファクトを見逃す。また、既存のテストスイートは規模が小さく、接触リッチで長期的な行動の多様性に欠ける。HumanTrackerは、知覚に整合した評価と大規模なベンチマークを提供する点で優れている。

3. 技術・手法の肝は？

手法の肝は、選好整合型メトリックHumanScoreの提案。12Kのモーションペア（24Kのモーション）を用いて訓練され、人間の選好を予測する。また、ベンチマークは4つのモーションファミリーに分類された約153時間の光学モーションデータで構成され、テキストラベルにより詳細な診断が可能。

4. どうやって有効だと検証した？

代表的なstate-of-the-artトラッカーを用いて、HumanScoreが人間の選好をより良く予測することを検証。kinematic metricsが見逃す接触や安定性の失敗を明らかにすることを示した。

5. 議論はある？

要旨からは、HumanScoreが人間の知覚に整合する一方で、kinematic metricsとの乖離が議論の余地を残す。また、ベンチマークの規模や多様性が評価の信頼性に与える影響についての詳細は不明。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、kinematic metricsを用いた従来の評価手法や、モーション追跡のstate-of-the-artトラッカーが挙げられる。具体的な論文名は不明だが、ヒューマノイドのテレオペレーションや全身模倣学習に関する研究が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Dairu Liu, Zekun Qi, Jiayu Zeng, Ruixi Yu, Yu Guan, Yintianrun Zhang, Xuchuan Chen, Sikai Liang, Zekai Li, Chenghuai Lin, Xinqiang Yu, Wenyao Zhang, He Wang, Li Yi

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Humanoid motion tracking is central to teleoperation and whole-body imitation, yet evaluation often disagrees with what people perceive in videos. Kinematic errors average per-frame pose differences but miss the physical artifacts that matter most, particularly unstable support and incorrect contacts such as foot skating and mistimed touch-downs. Meanwhile, widely used test suites are small and lack the diversity needed to stress contact-rich, long-horizon behaviors. We introduce HumanTracker to make humanoid tracking evaluation both perceptually aligned and scalable. The HumanTracker benchmark contains approximately 153 hours of optical motion trajectories from multiple professional performers, organized into four motion families with text labels for fine-grained diagnosis. We further propose HumanScore, a preference-aligned metric trained on 12K motion pairs containing 24K motions. Across representative state-of-the-art trackers, HumanScore better predicts human preferences and reveals contact and stability failures that kinematic metrics often miss.

arXivで原文を読む →arXiv概要ページ

← 論文一覧