ヒューマノイド全身制御2026/10/6arXiv:2610.08120

iGPC：物体と相互作用するヒューマノイドのための生成的運動事前分布

iGPC: Generative Motion Priors for Object-Aware Humanoid Interaction

大規模な人間の運動データから学習した生成的運動事前分布を活用し、ヒューマノイドが物体に手を伸ばす・掴む・押すといった全身相互作用を知覚に基づいて行えるよう訓練するフレームワークを提案した。

詳しい要約

1. どんなもの？

- ヒューマノイドロボットが非構造環境で物体と物理的にインタラクションするためのフレームワーク。 - 大規模人間運動データの事前分布を活用し、知覚駆動型の全身インタラクションを実現。 - 最近提案された Generative Pretrained Controller (GPC) を拡張し、物体との接触を含むタスクに適用。

2. 先行研究と比べてどこがすごい？

- 従来の GPC は一般的な人間運動に限定されていたが、本研究は物体とのインタラクションに拡張。 - シーンアフォーダンスと特権状態情報に条件付けられたインタラクションエキスパートを導入。 - 知覚駆動型学生モデルにより、特権情報なしで展開可能なポリシーを学習。

3. 技術・手法の肝は？

- GPC をシーンアフォーダンスと特権状態に条件付けられたインタラクションエキスパートに適応。 - エキスパートは事前学習済み人間運動事前分布を活用し、接触行動（物体へのリーチ、環境支持の把持、可動物体の押し）を学習。 - 知覚駆動型学生は事前学習済み GPC ポリシーを保持し、オンボードセンサ観測を用いてエキスパートから蒸留。 - 特権観測とセンサ入力のギャップを埋めるため、2つの補完的訓練目的を提案。

4. どうやって有効だと検証した？

- 複数の全身インタラクションタスクで実験を実施。 - 大規模生成的人間運動事前分布が、接触の多い実世界環境でのヒューマノイドインタラクションの展開可能なポリシー学習の有効な基盤となることを示した。

5. 議論はある？

- 特権エキスパート観測と感覚入力のギャップを埋めるための訓練目的の有効性を議論。 - 大規模生成的人間運動事前分布が実世界展開に有効であることを強調。 - その他の議論や限界については要旨からは不明。

6. 次に読むべき論文は？

- Generative Pretrained Controller (GPC) の原論文。 - 人間運動データを用いたヒューマノイド制御に関する研究。 - 知覚駆動型模倣学習や蒸留に関する研究。

※ 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: Anujith Muraleedharan, Abdul Ahad Butt, Nolan Fey, Yash Prabhu, Anamika J H, Sandor Felber, Maurice Rahme, Ivan Laptev

分類: cs.RO

原文アブストラクト

Humanoid robots operating in unstructured environments must combine robust whole-body control with the ability to perceive and physically interact with surrounding objects. While large-scale human motion data provides powerful priors for natural and versatile humanoid control, effectively transferring such priors to perception-driven object interaction remains challenging. To address this bottleneck, we propose a framework that extends the recently proposed Generative Pretrained Controller (GPC) from general human motion to full-body humanoid-environment interaction. First, we adapt GPC into interaction experts conditioned on scene affordance cues and privileged state information. These experts leverage the pretrained human motion prior while learning task-specific contact behaviors, including reaching toward objects, grasping environmental supports for stabilization, and pushing movable objects. Second, we introduce a perception-driven student that retains the pretrained GPC policy and distills interaction skills from the experts using onboard sensory observations. To bridge the gap between privileged expert observations and sensory inputs, we propose two complementary training objectives that enable effective adaptation of the pretrained motion prior during distillation. Notably, our experiments across multiple whole-body interaction tasks demonstrate that large-scale generative human motion priors provide an effective foundation for learning deployable policies for humanoid interactions in contact-rich real-world environments.

arXivで原文を読む →arXiv概要ページ

iGPC：物体と相互作用するヒューマノイドのための生成的運動事前分布

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文