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
動作生成arXiv:2610.30817

人間の動作を事前知識として活用したロボット動作の遷移生成

Robot Motion Transition with Human Motion Prior

シェア:XThreadsFacebookLINEはてブBluesky

独立に取得したヒューマノイド動作を人間の動作空間上で整列させ、生成モデルで遷移を補間して連続動作列を作るフレームワークSTAMPを提案し、Unitree G1とROBOTIS K1で実機検証した。

詳しい要約

1. どんなもの？

- 独立に獲得した humanoid の motion を連続した長い系列へ接続するための枠組み「STAMP (Spatio-Temporal Alignment with a Motion Prior)」 - Robot-to-Human-to-Robot のプロセスで motion を接続する - 人間の motion space を介することで、豊富な motion prior を活用し、異なる robot embodiment 間で transition 知識を再利用する - 最終的に接続済み系列を robot へ retarget し、motion-tracking policy の reference として学習に用いる

2. 先行研究と比べてどこがすごい？

- 単純な interpolation は境界 pose を繋ぐが、相対位置・heading・timing が transition に適した条件かを考慮しない - 生成的な motion prior 単体では、境界の配置が悪いと過剰な locomotion や turning など意図しない action を生成しうる - STAMP は境界条件を学習済み alignment model で決定することで、これらの問題に対処する点が特徴 - 具体的な先行研究名や定量的比較は要旨からは不明

3. 技術・手法の肝は？

- 核となるのは、motion inbetweening の境界条件を決める学習済み alignment model - 2つの motion を human rig に retarget した上で、後続 motion の候補となる位置・heading・transition duration を ranking する - 選択された alignment の下で human motion prior が transition を生成する - 完成した系列を robot に retarget し、motion-tracking policy の reference として学習に使う

4. どうやって有効だと検証した？

- 生成された transition の tracking success を Unitree~G1 と ROBOTIS K1 上で評価 - 物理 robot による demonstration で、STAMP が独立に獲得した motion を long-horizon 系列へ接続できることを示す - 具体的な指標・比較対象・成功率の数値は要旨からは不明

5. 議論はある？

- 境界の相対位置・heading・timing の不適切さが generative motion prior の意図しない行動を招くという問題意識が背景にある - alignment model による候補 ranking でこれを緩和するが、限界や失敗ケース、計算コストなどの議論は要旨からは不明 - 異なる embodiment 間での transition 知識再利用の一般性についての詳細も要旨からは不明

6. 次に読むべき論文は？

- 要旨で直接参照・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 motion prior を用いた generative motion model、motion inbetweening、motion retargeting、humanoid の motion-tracking policy 学習に関する定番研究を次に読む候補として挙げる - 具体的な論文名は要旨からは不明

※ 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: Taehyun Byun, Taemoon Jeong, Yoonbyung Chai, Woojin Wie, Insu Park, Kyungjae Lee, Sungjoon Choi

分類: cs.RO

原文アブストラクト

Humanoid motion-tracking policies can reproduce diverse behaviors, yet connecting independently acquired motions into a continuous sequence remains challenging. Interpolation connects boundary poses without considering whether their relative position, heading, and timing provide suitable conditions for a transition. A generative motion prior can produce richer motion, but poorly arranged boundaries may cause it to generate excessive locomotion, turning, or another unintended action. We present Spatio-Temporal Alignment with a Motion Prior (STAMP), a framework for connecting independently acquired humanoid motions through a Robot-to-Human-to-Robot process. STAMP uses human motion space to draw on rich motion priors and reuse transition knowledge across robot embodiments. Its key component is a learned alignment model that determines the boundary conditions for motion inbetweening. Given the two motions retargeted to a human rig, the alignment model ranks candidate positions, headings, and transition durations for the following motion. A human motion prior generates the transition under the selected alignment. The completed sequence is retargeted to the robot and used as a reference to train a motion-tracking policy. We evaluate the tracking success of the generated transitions on Unitree~G1 and~ROBOTIS K1. Physical robot demonstrations further show that STAMP connects independently acquired motions into long-horizon sequences. Project page: https://childtoy.github.io/STAMP-project

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