LIMMT: Minder is Meer voor Motion Tracking

Samenvatting

Wij stellen dat hoogwaardige bewegingsdata trackingbeleid al vroeg in de training naar betere optimalisatietrajecten kan sturen. In dit werk introduceren wij LIMMT (Less Is More for Motion Tracking). Voor zover wij weten is dit de eerste data-gerichte studie naar fysica-gebaseerde mensachtige bewegingsregistratie. Wij gaan verder dan het simpelweg verwijderen van laagwaardige en foutieve clips, maar definiëren de kwaliteit van bewegingsdata via drie dimensies: fysische haalbaarheid, diversiteit en complexiteit. Wij tonen aan dat zelfs trainen met minder dan 3% van AMASS betere trackingprestaties oplevert dan trainen met de volledige dataset. Verder voeren wij datareiniging uit op de geschatte, van internet afkomstige mocap-data. Uitgebreide experimenten en analyses bevestigen de effectiviteit van ons raamwerk.

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.