TEXEDO: コントローラを考慮した言語条件付きヒューマノイド動作生成のためのテスト時スケーリング

テキスト条件付きの humanoid motion generation を、test-time scaling で改善するフレームワーク TEXEDO を提案する研究。 - 入力: テキストプロンプト - 事前学習済みの text-conditioned generator から複数の候補 motion をサンプリング - 実行可能かつタスク整合な最良 motion を選択 - より強い generator を必要とせず motion 品質を向上 - Unitree G1 humanoid robot での実機展開も実施

従来の generator は human motion dataset を robot morphology に retarget して学習。 - 意味的・運動学的 prior は豊富だが、whole-body tracking controller の balance、contact dynamics、actuation limits、controller 固有の failure modes を捉えられない - 結果として意味的に妥当でも実行困難な motion が生成される - TEXEDO は test-time scaling により、より強い generator なしで実行可能性とタスク整合性を両立 - dynamic feasibility を hard constraint として扱う点が先行研究と異なる

test-time scaling フレームワーク。 - 事前学習済み text-conditioned generator から複数候補をサンプリング - reward model は2つの verifier を統合 - dynamic feasibility verifier: whole-body tracking rollouts から distilled し、物理的実行可能性を予測 - semantic alignment verifier: 学習された co-embedding space で text-motion alignment を測定 - dynamic feasibility を hard constraint、semantic alignment を feasible set 内の選択目的関数として扱う

大規模 simulation studies と Unitree G1 humanoid robot への real-world deployment で検証。 - tracking fidelity と text alignment の両方が一貫して改善 - grounded verification が展開可能な language-guided humanoid motion generation への有効な道であることを示す - 具体的な評価指標やベースラインの詳細は要旨からは不明

grounded verification が実用的な language-guided humanoid motion generation への有効な経路であると主張。 - test-time scaling により、より強い generator を必要とせず品質向上が可能 - 限界や失敗事例、計算コスト、verifier の汎化性に関する議論は要旨からは不明

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 text-conditioned motion generation、human motion retargeting、whole-body tracking controller、test-time scaling、reward model、dynamic feasibility verifier、semantic alignment verifier が挙げられる - 同分野の定番として humanoid motion generation、language-conditioned motion generation、sim-to-real transfer に関する研究を読むとよい