人間とヒューマノイドの動作のための統一慣性エンコーダ

- 人間とヒューマノイドの運動を共通の inertial interface で扱う unified inertial encoder を提案する研究。 - kinematic IMU synthesis により、人間とヒューマノイドの対応する身体部位の IMU 信号を生成し、同一入力空間に写像する。 - この共通空間で velocity estimation と motion–text alignment を joint training する。 - 学習済みモデルは Unitree G1 に zero-shot 転移し、inertial odometry と language-grounded motion understanding を実現する。

- 従来は robot recordings に基づく学習がロボットの運動レパートリーに制約され、human motion datasets の広いカバレッジを活かしにくかった。 - 本研究は body geometry・sensing・physical disturbances の差異を共通 inertial interface で吸収し、人間運動データの知識をヒューマノイドへ転移可能にした。 - 物理シミュレーション・実機学習軌道・fine-tuning なしの zero-shot 転移を実現した点が特徴。 - 評価した5データセットで最低の velocity error を達成し、実機 G1 で 0.099m/s を記録したと報告。

- kinematic IMU synthesis を用い、人間とヒューマノイドの対応身体部位の IMU 信号を生成して共有 inertial interface を構成。 - 人間運動と kinematically retargeted humanoid motion を joint training し、velocity estimation と motion–text alignment を同時学習。 - continuous-time encoding を採用し、sensor randomization と motion randomization で頑健性を付与。 - 共通入力空間内で学習することで、実機への zero-shot 転移を可能にする。

- 評価した5データセットで velocity error を比較し、評価手法中最低を達成。 - 実機 Unitree G1 において 0.099m/s の velocity error を記録。 - motion-description retrieval が、人間の学習データにのみ存在した retargeted G1 motion categories にも拡張することを確認。 - 物理シミュレーション・実ロボット学習軌道・fine-tuning なしでの zero-shot 転移を検証。

- 人間運動知識がヒューマノイドの inertial odometry と language-grounded motion understanding の汎化を支えることを示唆。 - 身体幾何・センシング・外乱の差異を共通 interface でどこまで吸収できるかの限界は要旨からは不明。 - 実機検証は Unitree G1 のみであり、他機種への一般性は要旨からは不明。 - 詳細な議論・限界・失敗事例は要旨からは不明。

- kinematic IMU synthesis および inertial odometry の関連研究。 - motion–text alignment / language-grounded motion understanding の関連研究。 - kinematically retargeted humanoid motion を用いた転移学習の関連研究。 - Unitree G1 を用いたヒューマノイド状態推定の関連研究。 - 要旨で参照・比較されている個別論文は明示されていないため、上記は同分野の関連手法・概念として挙げる。