LIMMT: Less is More for Motion Tracking

📄 arXiv: 2606.06953v1 📥 PDF

作者: Yu Guan, Zekun Qi, Chenghuai Lin, Xuchuan Chen, Dairu Liu, Wenyao Zhang, Jilong Wang, Xinqiang Yu, He Wang, Li Yi

分类: cs.RO

发布日期: 2026-06-05

备注: Accepted at ICML 2026

💡 一句话要点

提出LIMMT以优化基于物理的人形运动跟踪

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱八：物理动画 (Physics-based Animation)

关键词: 运动跟踪 数据清理 物理可行性 深度学习 高质量数据

📋 核心要点

  1. 现有方法在运动跟踪中依赖大量低质量数据，导致性能下降和训练效率低下。
  2. LIMMT通过定义运动数据的质量维度，优化训练过程，提升跟踪策略的效果。
  3. 实验表明，使用不到3%的AMASS数据进行训练，跟踪性能显著优于使用完整数据集的结果。

📝 摘要（中文）

我们认为高质量的运动数据可以在训练早期引导跟踪策略朝着更好的优化轨迹发展。在本研究中，我们引入了LIMMT（Less Is More for Motion Tracking）。据我们所知，这是首个针对基于物理的人形运动跟踪的数据中心研究。我们不仅仅是简单地去除低质量和错误的片段，而是通过物理可行性、多样性和复杂性三个维度来定义运动数据质量。我们展示了即使使用不到3%的AMASS数据进行训练，其跟踪性能也优于使用完整数据集的训练。我们进一步对估计的网络来源的动作捕捉数据进行了数据清理。大量实验和分析验证了我们框架的有效性。

🔬 方法详解

问题定义：本论文旨在解决现有运动跟踪方法中低质量数据对性能的负面影响，尤其是在基于物理的人形运动跟踪中，低质量数据导致训练效率低下和跟踪精度不足。

核心思路：论文提出通过高质量运动数据来优化跟踪策略，强调数据质量的重要性，而不仅仅是数量。通过定义物理可行性、多样性和复杂性三个维度来评估运动数据的质量，从而选择最优的数据进行训练。

技术框架：整体架构包括数据质量评估模块、数据清理模块和训练模块。首先，对运动数据进行质量评估，筛选出高质量数据；然后，进行数据清理以去除错误数据；最后，使用筛选后的数据进行模型训练。

关键创新：最重要的技术创新在于提出了运动数据质量的多维度定义，突破了传统方法仅依赖数据量的局限，强调了数据质量对训练效果的直接影响。

关键设计：在参数设置上，选择了适当的阈值来定义数据的物理可行性，并设计了相应的损失函数以优化跟踪性能。网络结构上，采用了适合处理高质量运动数据的深度学习模型，确保了训练的有效性和效率。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，使用不到3%的AMASS数据进行训练，其跟踪性能比使用完整数据集的训练提升了显著的效果，验证了LIMMT框架的有效性和优越性。

🎯 应用场景

该研究的潜在应用领域包括虚拟现实、游戏开发、动画制作以及人机交互等。通过优化运动跟踪技术，可以提升这些领域中角色的运动表现和交互体验，具有重要的实际价值和广泛的市场前景。

📄 摘要（原文）

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.