日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
sim2realarXiv:2610.28470

スケーラブルなヒューマノイド学習のための高速モーションリターゲティングパイプライン

Fast Motion Retargeting Pipeline for Scalable Humanoid Robot Learning

シェア:XThreadsFacebookLINEはてブBluesky

多様な人間モーションをヒューマノイドへ高速に転送するFRDVを提案。運動学的リターゲティングと接触陰的iLQRによる動力学検証を組み合わせ、最大毎秒9,156フレームを達成し、強化学習による追従性能とsim-to-real転送を実証した。

詳しい要約

1. どんなもの？

- ヒトの大規模モーションキャプチャデータを複数の humanoid robot に転写(retargeting)するためのスケーラブルなパイプライン FRDV (Fast Retargeting with Dynamics Validation) の提案。 - 高速な制約付き kinematic retargeting 段階と、追加の dynamics validation 段階の二段構成。 - 目的は humanoid robot learning 用のデモンストレーション生成の効率化。

2. 先行研究と比べてどこがすごい？

- 既存の kinodynamic trajectory optimization パイプラインは計算コストが高く、動きごとの手動調整を要することが多い。 - FRDV は最大 9,156 frames per second を達成し、GMR や ProtoMotions と比べて最大約136倍高速。 - robot-specific constraints を最適化に組み込み、ground penetration や self-collision といった retargeting artifacts を低減。

3. 技術・手法の肝は？

- kinematic 段階で custom Sequential Quadratic Programming solver、Real-Time Iteration、parallel chunk-based processing を統合。 - robot-specific constraints を最適化に取り込み、ground penetration や self-collision を抑制。 - 追加検証が必要な動作には contact implicit iLQR controller を用い、full rigid body dynamics 下で retargeted reference を検証。 - この dynamics validation で動的に実行不可能な動作を特定し、foot floating や foot skating などの contact 関連 artifacts を補正。

4. どうやって有効だと検証した？

- 複数の state-of-the-art パイプラインで motion tracking reinforcement learning ポリシーを訓練し、tracking fidelity と success rates を比較して retargeting 品質を評価。 - Unitree G1 humanoid 上で sim-to-real transfer を実証。 - 動画とコードは https://daroslab.github.io/frdv/ で公開。

5. 議論はある？

- 要旨からは不明(具体的な限界や失敗事例、計算資源条件などの議論は記述されていない)。 - dynamics validation が対象とするのは contact 関連 artifacts と動的実行可能性の検証に限定される点は読み取れる。

6. 次に読むべき論文は？

- GMR - ProtoMotions - contact implicit iLQR(関連手法として) - Sequential Quadratic Programming / Real-Time Iteration(基盤手法として)

※ 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: Daniel Marew, Sangjun Park, Nisal Perera, Donghyun Kim

分類: cs.RO

原文アブストラクト

While large-scale human motion capture datasets provide a rich source of demonstrations for humanoid robot learning, retargeting the diverse motions to different humanoid robots remains a nontrivial challenge. Existing kinodynamic trajectory optimization pipelines are computationally expensive and often require manual adjustments per motion. We present FRDV (Fast Retargeting with Dynamics Validation), a scalable framework consisting of rapid constrained kinematic retargeting and an additional dynamics validation pipeline. Its kinematic stage integrates a custom Sequential Quadratic Programming solver, Real-Time Iteration, and parallel chunk-based processing, achieving up to 9,156 frames per second, approximately up to 136 times faster than GMR and ProtoMotions, while robot-specific constraints are incorporated into the optimization to reduce common retargeting artifacts, such as ground penetration and self-collision. For motions requiring additional verification, a contact implicit iLQR controller is utilized to test the retargeted reference under full rigid body dynamics. This dynamics-based validation identifies dynamically infeasible motions and refines contact-related artifacts such as foot floating and foot skating. We evaluate retargeting quality by training motion tracking reinforcement learning policies using several state-of-the-art pipelines and comparing their tracking fidelity and success rates. Furthermore, sim-to-real transfer is demonstrated on a Unitree G1 humanoid. Videos and code are available at: https://daroslab.github.io/frdv/.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI