「ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60」人間動作生成モデル:配布ファイル一覧

「ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60」人間動作生成モデル:配布ファイル一覧

基本情報

項目 内容
リポジトリ nvidia/ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60
公開元のまとめ NVIDIA のモデルとライセンスのまとめ
公開日 2026-10-14
ライセンス nvidia-open-model-agreement
配布形式 safetensors
出典の種類 公開元の一次情報(NVIDIA公式HFリポジトリ出典)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

NVIDIAは、インタラクティブな人間動作生成のために設計された自己回帰型拡散モデル「ARDY」の新しいバリアントを公開しました。このモデルは、オンラインのテキストプロンプトや、柔軟な長期間の運動学的制約(ルートパスやウェイポイント、全身のキーフレーム、あるいはスパースな関節の位置や回転など)を入力として受け取り、リアルタイムに応答するポーズシーケンスを生成します。

今回公開された ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60 は、ARDYプロジェクトの一環として開発されたモデルです。Bones Rigplay 1データセットを用い、30関節のSOMA body modelスケルトンを使用して30 fpsで学習されています。他のARDYモデルが生のヒップ軌跡をルートとして使用するのに対し、このバリアントはKimodoモデルで使用されているスムーズなルート運動表現を予測するように設計されています。これにより、Kimodoモデルのルート制約や出力と直接比較することが可能となっています。

スペック

モデルの仕様は以下の通りです。

  • アーキテクチャ: 拡散モデル (Novel Two-Stage Transformer)
  • パラメータ数: 192 M (denoiser: 157 M、motion tokenizer: 36 M。テキストエンコーダーのパラメータは含まれません)
  • 出力仕様: 30 fps、30関節のSOMA body modelスケルトン、最大8秒間のポーズシーケンス(グローバルなルート移動および関節の回転を含む)
  • 入力形式: テキスト、ポーズ制約、履歴ポーズ(履歴ポーズの最大期間は8秒)
  • ライセンス: NVIDIA Open Model Agreement (商用および非商用利用が可能です)

性能・品質

モデルの評価指標として、以下の項目が挙げられています。

  • Pose Constraint Accuracy (関節距離誤差によるポーズ制約の正確性)
  • Motion Quality (foot-skating誤差、FID、および潜在類似度による動作の品質)
  • Text-Following Accuracy (R-precisionおよび潜在類似度によるテキスト追従の正確性)

具体的なベンチマークの数値スコアについては、リポジトリ内のコードベースに記載されています。

モデルの性能に関する報告として、いくつかの技術的な限界についても明記されています。生成された動作には、足が地面と接触しているべき時に不自然に滑ってしまう「foot skating」のようなアーティファクトが含まれる場合があります。また、生成される動作が必ずしも与えられたテキストプロンプトに完全に従うとは限らず、モデルが特定の種類の動作を習得していない場合もあります。

なお、本モデルは歩行、ジェスチャー、戦闘、ダンス、および日常的な活動において優れた性能を発揮するとされています。一方で、カートゥーン調の動きや、物理的に妥当ではない動きを生成することはできません。また、各学習済みモデルは現在、単一のキャラクタースケルトンに対する動作を出力するように設計されています。さらに、モデルは周囲のシーンにあるオブジェクトを認識する機能は持っていません。

得意なこと・想定用途

本モデルは、リアルタイム性が求められるアプリケーションにおいて、制御可能なヒューマノイドの動作を生成することに向いています。具体的には、以下のような用途が想定されています。

  • ヒューマノイドロボットの動作計画(motion planning)
  • デジタルツインや産業シミュレーションにおけるキャラクターの移動
  • 合成データ作成のためのデジタルヒューマンの動作生成
  • ゲームやその他のインタラクティブなアプリケーションにおけるアニメーション

モデルの特性として、歩行(locomotion)、ジェスチャー、戦闘、ダンス、日常的な活動などの生成に長けているとされています。入力形式には、テキストによる指示(text-to-motion)のほか、ポーズ制約や履歴ポーズを用いた制御が可能です。

配布ファイル

nvidia/ARDY-SOMA-RP-30FPS-KimodoRep-Horizon60 で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
denoiser.safetensors 627MB
tokenizer.safetensors 142MB

入手方法

モデルは以下の形式で配布されています。

動作には PyTorch が使用されます。また、推論の高速化のために TensorRT を利用した加速も可能です。詳細なインストール方法や使用方法については、公式の codebase を参照してください。

手元で動かせるか

公開元の配布形式は safetensors です。

ライセンス nvidia-open-model-agreement: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。

配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルのライセンス(nvidia-open-model-agreement)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

関連記事

次に読むなら

出典