日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

全身操作arXiv:2509.16757

HDMI: 人間の動画から対話型ヒューマノイド全身制御を学習

HDMI: Learning Interactive Humanoid Whole-Body Control from Human Videos

シェア:XThreadsFacebookLINEはてブBluesky

単眼RGB動画から人間と物体の軌道を抽出・再ターゲットし、強化学習でヒューマノイドの全身物体操作スキルを学習、実機にゼロショット展開するフレームワーク。

詳しい要約

1. どんなもの?

- ヒューマノイドの全身物体インタラクション(HOI)を単眼RGB動画から学習するフレームワーク「HDMI(HumanoiD iMitation for Interaction)」 - 実世界のUnitree G1でドア通過を連続67回、実世界6タスク・シミュレーション14タスクを達成 - 3段階の構成 - 動画から人間・物体の軌道を抽出しリターゲティングして構造化モーションデータセットを構築 - ロボットと物体の状態を同時追従するRLポリシーを学習 - 学習済みRLポリシーを実機ヒューマノイドへzero-shot展開

2. 先行研究と比べてどこがすごい?

- 従来の課題は全身HOIのモーションデータ不足とcontact-richな性質 - 制約のない単眼RGB動画から直接スキルを学習する点が特徴 - 具体的な先行研究との定量比較は要旨からは不明 - 単純かつ汎用的な枠組みとして実機zero-shot展開と多数タスク達成を主張

3. 技術・手法の肝は?

- パイプラインは3段階 - 単眼RGB動画から人間と物体の軌道を抽出・リターゲティングし構造化モーションデータセットを構築 - ロボットと物体の状態を同時追従(co-track)するRLポリシーを学習 - 学習済みRLポリシーを実機ヒューマノイドへzero-shot展開 - RLポリシーの3つの設計 - 統一的な物体表現(unified object representation) - 残差行動空間(residual action space) - 汎用的なインタラクション報酬(general interaction reward)

4. どうやって有効だと検証した?

- Unitree G1ヒューマノイドで大規模なsim-to-real実験を実施 - 実世界でドア通過を連続67回達成 - 実世界で6種類のloco-manipulationタスクを成功 - シミュレーションで14タスクを達成 - これらの結果から頑健性と汎用性を示すと主張

5. 議論はある?

- 要旨からは不明 - 限界・失敗事例・報酬設計の感度・データセット規模などの議論は要旨に記載なし - 実機zero-shot展開の頑健性は示されるが詳細な議論は本文参照が必要

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究は明示されていない - 関連手法としてhuman videoからの模倣学習、motion retargeting、sim-to-realのRL、loco-manipulation、contact-richなHOIに関する研究が該当 - 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: Haoyang Weng, Yitang Li, Nikhil Sobanbabu, Zihan Wang, Zhengyi Luo, Tairan He, Deva Ramanan, Guanya Shi

分類: cs.RO

原文アブストラクト

Enabling robust whole-body humanoid-object interaction (HOI) remains challenging due to motion data scarcity and the contact-rich nature. We present HDMI (HumanoiD iMitation for Interaction), a simple and general framework that learns whole-body humanoid-object interaction skills directly from monocular RGB videos. Our pipeline (i) extracts and retargets human and object trajectories from unconstrained videos to build structured motion datasets, (ii) trains a reinforcement learning (RL) policy to co-track robot and object states with three key designs: a unified object representation, a residual action space, and a general interaction reward, and (iii) zero-shot deploys the RL policies on real humanoid robots. Extensive sim-to-real experiments on a Unitree G1 humanoid demonstrate the robustness and generality of our approach: HDMI achieves 67 consecutive door traversals and successfully performs 6 distinct loco-manipulation tasks in the real world and 14 tasks in simulation. Our results establish HDMI as a simple and general framework for acquiring interactive humanoid skills from human videos.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI