OTRetarget: 最適輸送によるロボットと物体の関節動作リターゲティング

- 人間の動作を humanoid robot に転移する際、環境との相互作用を保つため、robot と複数 object の動作を同時に retargeting する統合手法 OTRETARGET を提案。 - loco-manipulation タスクで、ground や操作対象との contact を維持しつつ、身体比率の違いに対応。 - surface interaction を signed distances, closest surface points, relative directions で表現し、entropic optimal transport で human, robot, object の幾何間で転移。 - 制約付き inverse kinematics に組み込み、contact 保持と motion style のバランスを取り、各フレームで robot と object の姿勢を同時最適化。 - scene や demonstration の rescaling なしで robot-object, object-object 相互作用に対応。

- 従来の skeletal motion のみでは相互作用を十分記述できず、object trajectory を固定すると新 embodiment への適応が制限される問題に対処。 - OmniRetarget と比較し、OMOMO で robot-object interaction Jaccard score 87% (vs 28%)、depth error 8.7 mm (vs 29.3 mm) を達成。 - 単一の枠組みで robot と複数 object の動作を同時に retargeting し、scene や demonstration の rescaling を不要にした点が新しい。

- surface interaction を signed distances, closest surface points, relative directions で表現。 - entropic optimal transport を用いて、human, robot, object の幾何間でこれらの量を転移。 - 得られた interaction targets を制約付き inverse kinematics に組み込み、contact preservation と motion style を両立。 - 各フレームで robot と object の姿勢を同時最適化し、robot-object および object-object 相互作用を扱う。 - scene や demonstration の rescaling を必要としない定式化。

- OMOMO データセットで評価し、robot-object interaction Jaccard score 87%、depth error 8.7 mm を達成。 - 比較対象の OmniRetarget は Jaccard score 28%、depth error 29.3 mm。 - 物理 G1 humanoid への転移を実証。retargeted references で reinforcement learning により訓練した whole-body policies を使用。 - 両手での箱の pick-and-place を含む動作で検証。

- 要旨からは、手法の限界や失敗事例、計算コスト、一般化可能性に関する議論は明示されていない。 - 提案手法は contact preservation と motion style のバランスを取るが、そのトレードオフやパラメータ感度については要旨からは不明。 - 物理 G1 humanoid への転移は示されているが、実世界でのロバスト性や多様なタスクへの適用範囲は要旨からは不明。

- OmniRetarget (比較対象として言及) - OMOMO (評価データセット) - entropic optimal transport を用いた motion retargeting 関連研究 - constrained inverse kinematics を用いた human-to-humanoid 動作転移研究 - reinforcement learning による whole-body policy 学習 (G1 humanoid 向け)