Weave: 人間-物体インタラクションから全身巧みな移動操作を学習する

- 人間の物体操作デモから、ヒューマノイドの全身協調による器用な loco-manipulation を学習する統合フレームワーク Weave を提案。 - 29 の body joints と 12 の actuated finger joints を同時に制御し、複数物体・複数インタラクション系列に対応。 - 9 物体で 92.5% の成功率、未学習系列でも追加学習なしで 65.0% を達成。 - 約 9,000 の物理実行ロールアウト（約 23 時間）と contact annotations を公開。

- 従来の humanoid loco-manipulation は、全身バランス・移動・器用な手接触の同時制御が難しく、人間デモの転移も embodiment や dynamics の違いから困難だった。 - Weave は contact-aware retargeting と approach-motion completion により、人間の HOI を実行可能な robot-object references に変換。 - contact- and geometry-aware policy により、複数物体・系列にまたがる全身協調を単一フレームワークで学習。 - 未学習系列へのゼロショット汎化（65.0%）と大規模物理ロールアウトデータセットの公開が先行研究に対する利点。

- 人間の HOI キャプチャを contact-aware retargeting でロボットの運動参照に変換。 - approach-motion completion により、接触前の接近動作を補完し実行可能な参照を生成。 - 中核は contact- and geometry-aware policy で、29 body joints と 12 actuated finger joints を統合制御。 - 複数物体・複数インタラクション系列に対応する統一的な学習枠組み。

- 9 種類の物体で評価し、学習済みインタラクションで 92.5% の成功率を確認。 - 訓練時に見ていない系列に対して追加学習なしで 65.0% の成功率を確認。 - 約 9,000 の物理実行ロールアウト（約 23 時間）を収集し、contact annotations 付き robot-object trajectories を公開。 - これらは下流の interaction-policy learning や物理的に整合する HOI motion generation に利用可能。

- 未学習系列での成功率は 65.0% であり、学習済み 92.5% と比べて汎化性能に課題が残る。 - 人間デモからロボットへの転移における embodiment や dynamics の違いへの対処が重要。 - 公開データセット（約 9,000 ロールアウト、約 23 時間）は下流タスクへの貢献が期待される。 - その他の限界や議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として、human-to-robot motion retargeting、contact-aware policy learning、whole-body loco-manipulation、human-object interaction (HOI) motion generation の定番研究を挙げる。 - 公開データセットを用いた downstream interaction-policy learning や physically consistent HOI motion generation に関する研究も次に読むべき候補。