LIMMT : Moins c’est plus pour le suivi de mouvement

Résumé

Nous soutenons que des données de mouvement de haute qualité peuvent guider les politiques de suivi vers de meilleures trajectoires d'optimisation dès le début de l'entraînement. Dans ce travail, nous présentons LIMMT (Less Is More for Motion Tracking). À notre connaissance, il s'agit de la première étude centrée sur les données pour le suivi de mouvement humanoïde basé sur la physique. Nous allons au-delà de la simple suppression des clips de mauvaise qualité et erronés, et définissons la qualité des données de mouvement selon trois dimensions : la faisabilité physique, la diversité et la complexité. Nous montrons que même un entraînement avec moins de 3 % d'AMASS permet d'obtenir de meilleures performances de suivi qu'un entraînement avec l'ensemble complet des données. Nous procédons également à un nettoyage des données sur les données de capture de mouvement estimées provenant du web. Des expériences et analyses approfondies valident l’efficacité de notre cadre.

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.