日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

動作生成arXiv:2609.23797

MoSAT: 空間オーディオとテキスト記述からの人間動作生成

MoSAT: Human Motion Generation from Spatial Audio and Textual Description

シェア:XThreadsFacebookLINEはてブBluesky

空間オーディオと自然言語を条件として全身動作を生成する新タスクを提案し、データセットSTAMと階層的クロスアテンションを用いた潜在フローマッチング手法MoSATを開発した。

詳しい要約

1. どんなもの?

- 本研究は、空間オーディオと自然言語の両方を条件として人間の全身運動を生成する新しいタスクを提案する。 - このタスクを支援するために、運動シーケンスと空間オーディオ、詳細なテキストアノテーションをペアにしたSTAMデータセットを導入。 - さらに、階層的クロスアテンションを用いた潜在フローマッチングフレームワークMoSATを提案し、自然言語の意図と方向性のある空間オーディオの手がかりを統合して運動を生成する。 - この新しいタスクのためのtri-modal評価器も開発。

2. 先行研究と比べてどこがすごい?

- 従来の研究では、空間オーディオと自然言語を同時に条件とした人間運動生成はほとんど見過ごされてきた。 - 本研究はこの問題に初めて取り組み、両条件を統合することで、空間オーディオの本質的な運動形成特性とテキストの意味論を活用し、SOTA性能を達成。 - これにより、様々なシナリオで正確かつ多様な運動生成が可能になった。

3. 技術・手法の肝は?

- MoSATは潜在フローマッチングフレームワークであり、階層的クロスアテンションを通じて自然言語の意図と方向性のある空間オーディオの手がかりを統合する。 - この階層的設計により、時間的に一貫性があり、意味的に整合した運動シーケンスを生成する。 - また、tri-modal評価器を開発し、この新しいタスクの包括的な評価を可能にした。

4. どうやって有効だと検証した?

- 広範な実験により、MoSATがSOTA性能を達成することが示された。 - 空間オーディオの本質的な運動形成特性とテキストの意味論を活用することで、様々なシナリオで正確かつ多様な運動を生成できることを検証。 - 詳細な検証方法は要旨からは不明。

5. 議論はある?

- 要旨からは、議論や限界についての具体的な言及は不明。 - ただし、新しいタスクとデータセット、評価器を導入し、SOTA性能を達成したことが強調されている。

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 motion generation、spatial audio processing、flow matching、cross-attention、tri-modal evaluationなどが挙げられる。 - 同分野の定番として、text-to-motion generationやaudio-conditioned motion generationの論文を読むことが推奨される。

※ 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: Shuyang Xu, Zhiyang Dou, Yiduo Hao, Zekun Li, Liang Pan, Jingbo Wang, Cheng Lin, Yuan Liu, Wenping Wang, Mingmin Zhao, Taku Komura

分類: cs.GR, cs.CV, cs.RO, cs.SD

原文アブストラクト

Human motion is shaped by both external acoustic events and behavioral intent: spatial audio conveys environmental cues that elicit or guide a response, while text specifies the desired action and how it should be performed. In this paper, we study the novel task of human motion synthesis jointly conditioned on spatial audio and natural language, a problem that has been largely overlooked in previous research. To support this task, We introduce STAM, a dataset of motion sequences paired with spatial audio and detailed textual annotations whose rich vocabulary affords precise and nuanced specification of human motions. We further introduce MoSAT, a latent flow-matching framework for full-body motion generation jointly conditioned on natural-language intent and directional spatial-audio cues through hierarchical cross-attention before generating motion. Such a hierarchical design enhances temporally coherent and semantically aligned motion sequences. We also develop tri-modal evaluators for comprehensive evaluation on this novel task. Extensive experiments show that MoSAT achieves the SOTA performance by leveraging spatial audio's intrinsic motion-shaping properties alongside textual semantics, enabling precise and diverse motion in various scenarios.

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

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