LIMMT: モーショントラッキングには少ない方が良い
LIMMT: Less is More for Motion Tracking
物理ベースのヒューマノイドモーショントラッキングにおいて、データ品質（物理的実現可能性、多様性、複雑さ）に基づいてデータを選別することで、全データセットの3%未満のデータでより良い追跡性能を達成できることを示した初のデータ中心的研究。
詳しい要約
1. どんなもの？
2. 先行研究と比べてどこがすごい？
3. 技術・手法の肝は？
4. どうやって有効だと検証した？
5. 議論はある？
6. 次に読むべき論文は？
※ 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: Yu Guan, Zekun Qi, Chenghuai Lin, Xuchuan Chen, Dairu Liu, Wenyao Zhang, Jilong Wang, Xinqiang Yu, He Wang, Li Yi
分類: cs.RO
原文アブストラクト
We argue that high-quality motion data can steer tracking policies toward better optimization trajectories early in training. In this work, we introduce LIMMT (Less Is More for Motion Tracking). To our knowledge, this is the first data-centric study for physics-based humanoid motion tracking. We go beyond simply removing low-quality and erroneous clips, but define motion data quality through three dimensions: physics feasibility, diversity, and complexity. We show that even training with under 3% of AMASS yields better tracking performance than training with the full dataset. We further conduct data cleaning on the estimated web-sourced mocap data. Extensive experiments and analyses validate the effectiveness of our framework.
関連論文
- SONIC-K1: 小型ヒューマノイド向け全身モーショントラッカーの単一GPU移植モーショントラッキング
- OmniTrack: 物理的に整合した参照動作による汎用モーショントラッキングモーショントラッキング
- QuestEnvSim: 環境を考慮した疎センサーからの物理シミュレーションによるモーショントラッキングモーショントラッキング
