日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2603.09956

多接触全身軌道最適化によるヒューマノイド歩行の運動学的・動学的モーションリターゲティング

Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization

シェア:XThreadsFacebookLINEはてブBluesky

モーションキャプチャと床反力データを用い、剛体動力学と接触相補性制約を課した多接触全身軌道最適化としてリターゲティングを行うことで、物理的に整合したヒューマノイド歩行軌道を生成するフレームワークを提案した。

詳しい要約

1. どんなもの?

- 人型ロボットのlocomotion向けに、motion retargetingをmulti-contact whole-body trajectory optimizationとして定式化するKDMR (KinoDynamic Motion Retargeting) フレームワークを提案。 - 従来のkinematicsベースretargetingが生むfoot slidingやground penetrationなどの物理的不整合を解消し、下流のimitation learning方策の性能劣化を防ぐことを狙う。 - MoCapデータに加えGRF測定を統合し、heel-toe contact eventを自動検出して人間らしい複雑なcontact patternを再現する。

2. 先行研究と比べてどこがすごい?

- 従来のkinematicsベースretargetingはspatial MoCapデータのみに依存し、物理的不整合(足滑り・地面貫通)を不可避的に生じ、下流のimitation learning方策の性能を大きく劣化させる。 - KDMRは純粋なkinematicsを超え、rigid-body dynamicsとcontact complementarity制約を明示的に課す点が新しい。 - さらにGRF測定をMoCapと統合し、heel-toe contact eventを自動検出して複雑な人間らしいcontact patternを再現する点が先行研究と異なる。

3. 技術・手法の肝は?

- retargeting過程をmulti-contact, whole-body trajectory optimization問題としてモデル化する。 - rigid-body dynamicsとcontact complementarity制約を明示的に強制することで、物理的に整合した軌道を生成する。 - MoCapデータにGRF測定を統合し、heel-toe contact eventを自動検出してcontact patternを正確に再現する。

4. どうやって有効だと検証した?

- state-of-the-art baselineであるGMRと比較評価。 - 評価軸は3つ: 1) retargeted motionのdynamic feasibilityとsmoothness、2) raw source dataに対するGRF tracking精度、3) BeyondMimicフレームワークで訓練した下流制御方策の訓練効率と最終性能。 - 実験結果として、KDMRは純粋なkinematic手法を大きく上回り、動的に実行可能な参照軌道を生成して方策収束を加速し、locomotion安定性を向上させた。

5. 議論はある?

- 要旨からは不明。 - 提案手法の限界、計算コスト、GRF測定の必要性、他手法との詳細な比較議論については要旨に記載がない。

6. 次に読むべき論文は?

- GMR (state-of-the-art baseline) - BeyondMimic (下流制御方策の訓練フレームワーク) - kinematics-based retargeting手法 - multi-contact whole-body trajectory optimization - imitation learning for humanoid locomotion

※ 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: Xiaoyu Zhang, Steven Haener, Varun Madabushi, Maegan Tucker

分類: cs.RO

原文アブストラクト

We present the KinoDynamic Motion Retargeting (KDMR) framework, a novel approach for humanoid locomotion that models the retargeting process as a multi-contact, whole-body trajectory optimization problem. Conventional kinematics-based retargeting methods rely solely on spatial motion capture (MoCap) data, inevitably introducing physically inconsistent artifacts, such as foot sliding and ground penetration, that severely degrade the performance of downstream imitation learning policies. To bridge this gap, KDMR extends beyond pure kinematics by explicitly enforcing rigid-body dynamics and contact complementarity constraints. Further, by integrating ground reaction force (GRF) measurements alongside MoCap data, our method automatically detects heel-toe contact events to accurately replicate complex human-like contact patterns. We evaluate KDMR against the state-of-the-art baseline, GMR, across three key dimensions: 1) the dynamic feasibility and smoothness of the retargeted motions, 2) the accuracy of GRF tracking compared to raw source data, and 3) the training efficiency and final performance of downstream control policies trained via the BeyondMimic framework. Experimental results demonstrate that KDMR significantly outperforms purely kinematic methods, yielding dynamically viable reference trajectories that accelerate policy convergence and enhance overall locomotion stability. Our end-to-end pipeline will be open-sourced upon publication.

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. 2newmo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
  3. 3GXO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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI