LIMMT: 적을수록 좋은 모션 트래킹

초록

우리는 고품질 모션 데이터가 학습 초기에 추적 정책을 더 나은 최적화 궤적으로 유도할 수 있다고 주장한다. 본 연구에서는 LIMMT(Less Is More for Motion Tracking)를 소개한다. 우리가 아는 한, 이는 물리 기반 휴머노이드 모션 추적에 대한 최초의 데이터 중심 연구이다. 단순히 저품질 및 오류가 있는 클립을 제거하는 것을 넘어, 모션 데이터 품질을 물리적 타당성, 다양성, 복잡성의 세 가지 차원으로 정의한다. AMASS의 3% 미만으로 학습해도 전체 데이터셋으로 학습한 것보다 더 나은 추적 성능을 보임을 입증한다. 또한 추정된 웹 기반 모션 캡처 데이터에 대해 데이터 정제를 수행한다. 광범위한 실험과 분석을 통해 우리 프레임워크의 효과성을 검증한다.

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.