FLD: Fourier Latent Dynamics for Structured Motion Representation and Learning

要約

モーション軌跡は、物理ベースのモーション学習の信頼できる参照を提供しますが、特に十分なデータ範囲が不足している領域では、スパース性が問題になります。
この課題に対処するために、周期的または準周期的な動きにおける時空間関係を抽出する、自己教師型の構造化表現および生成方法を導入します。
連続的にパラメータ化された潜在空間におけるモーションダイナミクスにより、私たちの方法はモーション学習アルゴリズムの補間および一般化機能を強化できます。
モーション学習コントローラーは、モーションのパラメーター化によって通知され、トレーニング中に見えなかったターゲットを含む幅広いモーションのオンライン追跡を実行します。
フォールバック メカニズムを使用すると、コントローラーは追跡戦略を動的に適応させ、潜在的に危険なターゲットが提案された場合に自動的に安全なアクションの実行に頼ります。
特定された時空間構造を活用することで、私たちの研究は、一般的な動作表現と学習アルゴリズムの将来の進歩に向けた新たな可能性を開きます。

要約(オリジナル)

Motion trajectories offer reliable references for physics-based motion learning but suffer from sparsity, particularly in regions that lack sufficient data coverage. To address this challenge, we introduce a self-supervised, structured representation and generation method that extracts spatial-temporal relationships in periodic or quasi-periodic motions. The motion dynamics in a continuously parameterized latent space enable our method to enhance the interpolation and generalization capabilities of motion learning algorithms. The motion learning controller, informed by the motion parameterization, operates online tracking of a wide range of motions, including targets unseen during training. With a fallback mechanism, the controller dynamically adapts its tracking strategy and automatically resorts to safe action execution when a potentially risky target is proposed. By leveraging the identified spatial-temporal structure, our work opens new possibilities for future advancements in general motion representation and learning algorithms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google