LIMMT: Menos é Mais para Rastreamento de Movimento

Resumo

Defendemos que dados de movimento de alta qualidade podem direcionar as políticas de rastreamento para trajetórias de otimização melhores no início do treinamento. Neste trabalho, apresentamos o LIMMT (Less Is More for Motion Tracking — Menos é Mais para Rastreamento de Movimento). Até onde sabemos, este é o primeiro estudo centrado em dados para rastreamento de movimento humanoide baseado em física. Vamos além de simplesmente remover clipes de baixa qualidade e errôneos, mas definimos a qualidade dos dados de movimento por meio de três dimensões: viabilidade física, diversidade e complexidade. Mostramos que mesmo treinando com menos de 3% do AMASS obtém-se melhor desempenho de rastreamento do que o treinamento com o conjunto de dados completo. Realizamos ainda a limpeza de dados nos dados de mocap estimados provenientes da web. Experimentos e análises extensas validam a eficácia da nossa estrutura.

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.