LIMMT: Menos es Más para el Seguimiento de Movimiento

Resumen

Sostenemos que los datos de movimiento de alta calidad pueden orientar las políticas de seguimiento hacia mejores trayectorias de optimización desde las primeras etapas del entrenamiento. En este trabajo presentamos LIMMT (Less Is More for Motion Tracking, "Menos es más para el seguimiento de movimiento"). Hasta donde sabemos, este es el primer estudio centrado en datos para el seguimiento de movimiento humanoide basado en física. No nos limitamos a eliminar clips de baja calidad o erróneos, sino que definimos la calidad de los datos de movimiento a través de tres dimensiones: viabilidad física, diversidad y complejidad. Demostramos que incluso entrenar con menos del 3% de AMASS produce un mejor rendimiento de seguimiento que entrenar con el conjunto de datos completo. Además, realizamos una limpieza de datos sobre los datos de captura de movimiento (mocap) estimados y obtenidos de la web. Numerosos experimentos y análisis validan la eficacia de nuestro marco.

English

We argue that high-quality motion data can steer tracking policies toward better optimization trajectories early in training. In this work, we introduce LIMMT (Less Is More for Motion Tracking). To our knowledge, this is the first data-centric study for physics-based humanoid motion tracking. We go beyond simply removing low-quality and erroneous clips, but define motion data quality through three dimensions: physics feasibility, diversity, and complexity. We show that even training with under 3% of AMASS yields better tracking performance than training with the full dataset. We further conduct data cleaning on the estimated web-sourced mocap data. Extensive experiments and analyses validate the effectiveness of our framework.