日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

手話生成arXiv:2609.32250

RoboSTAR: ヒューマノイドロボットのための次スケール自己回帰手話翻訳

RoboSTAR: Next-Scale Autoregressive Sign Language Translation for Humanoid Robots

シェア:XThreadsFacebookLINEはてブBluesky

手話モーションを粗い時間解像度から細かく生成し、ヒューマノイドロボットで実行できるよう再ターゲティングするテキスト条件付き手話生成フレームワークを提案。

詳しい要約

1. どんなもの?

- 本論文は、ヒューマノイドロボットによる手話翻訳のためのフレームワーク「RoboSTAR」を提案する。 - テキスト条件付きのsign language production (SLP) を行い、人間中心のsign motionを生成し、ロボット実行用にretargetingする。 - 音声はオプションで外部ASRフロントエンドを通じてサポートされる。 - 従来のautoregressive手法の課題を解決し、coarse-to-fineで動きを生成する。

2. 先行研究と比べてどこがすごい?

- 従来のautoregressive手法は動きを単一のfull-resolution token sequenceに平坦化し、長距離・局所依存を均一な時間粒度でモデル化する必要があった。 - RoboSTARはpart-wise Finite Scalar Quantizationとnext-scale autoregressionを組み合わせ、時間解像度を段階的に細かくしながら生成する。 - 各ステップで身体と手のトークンを並列に予測し、効率的かつ高品質な生成を実現する。

3. 技術・手法の肝は?

- part-wise Finite Scalar Quantizationとnext-scale autoregressionを組み合わせ、coarse-to-fineで動きを生成する。 - 各ステップで身体と手のトークンを並列に予測し、同期を取る。 - self-conditioningとcontext corruptionにより、クロススケール予測誤差に対するロバスト性を向上させる。 - 生成された動きはretargetingされ、物理的なヒューマノイドで実行される。

4. どうやって有効だと検証した?

- 広範な定性的・定量的評価を実施し、RoboSTARの有効性を実証した。 - 具体的な評価指標やデータセットは要旨からは不明。

5. 議論はある?

- 要旨からは不明。

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、autoregressive sign language production、Finite Scalar Quantization、next-scale autoregression、retargeting for humanoid robotsなどが挙げられる。

※ 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: Yujia Zeng, Chensheng Peng, Yuxin Chen, Alex Shao, Nathan Jew, Masayoshi Tomizuka

分類: cs.CV

原文アブストラクト

Sign-language interpretation in public communication relies on qualified professional interpreters and can be difficult to scale, motivating robotic signing as a complementary accessibility interface. We present RoBoSTAR, a text-conditioned sign language production (SLP) framework for generating human-centric sign motion that can be retargeted for robotic execution, with speech supported optionally through an external ASR front end. Conventional autoregressive approaches flatten motion into a single full-resolution token sequence, forcing long-range and local dependencies to be modeled at a uniform temporal granularity. RoBoSTAR instead combines part-wise Finite Scalar Quantization with next-scale autoregression, generating motion over progressively finer temporal resolutions while predicting synchronized body and hand tokens in parallel within each step. This coarse-to-fine formulation provides compact long-range context before progressively refining motion details, while self-conditioning and context corruption improve robustness to cross-scale prediction errors. The generated motion is subsequently retargeted for physical humanoid execution. Extensive qualitative and quantitative evaluations are conducted to demonstrate the effectiveness of RoBoSTAR.

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