暗黙的キノダイナミック動作リターゲティングによるスケーラブルな全身動作転移

- 人間の運動データを humanoid robot の全身運動データへ変換する、スケーラブルな neural-based データ変換パイプライン。 - 名称は Implicit Kinodynamic Motion Retargeting (IKMR)。 - 目的は human-to-humanoid imitation learning におけるロボットデータ不足の緩和。 - 骨格ベースの graph convolutional dual autoencoder と physics-informed refinement を組み合わせる。

- 既存の motion retargeting は frame-by-frame の数値最適化に依存し、大規模データセット合成には計算コストが高すぎる点が課題。 - IKMR は計算負荷を online optimization から offline inference へ移し、5000 frames per second 超のデータ変換 throughput を実現。 - 学習された motion prior により、元データの高周波ノイズや spatial jitter を内在的に除去する data curation 機能も持つ。

- skeleton-based graph convolutional dual autoencoder を用い、構造の異なる human と humanoid の kinematic configuration を共有 topological latent space に写像。 - physics-informed refinement phase を組み込み、simulated physical tracking feedback を用いて robust な motion prior を学習。 - この implicit な定式化により、online 最適化ではなく offline 推論で retargeting を実行。

- Extensive evaluations を実施。 - humanoid robot 上での real-world whole-body control deployment を含む評価により、human motion と robotic data のギャップを埋めることを確認。 - 具体的な比較対象や定量指標の詳細は要旨からは不明。

- 5000 frames per second 超の throughput と、ノイズ・jitter 除去による安全な軌道生成を主張。 - 実機 humanoid での whole-body control 展開に言及。 - 限界や失敗事例、定量比較の詳細は要旨からは不明。

- 比較対象として言及される既存の frame-by-frame numerical optimization 型 motion retargeting 関連研究。 - human-to-humanoid imitation learning 全般。 - graph convolutional autoencoder を用いた motion retargeting。 - physics-informed / simulated physical tracking feedback を用いた motion prior 学習。 - 具体的な論文名は要旨からは不明。