論文の概要: What Matters in Learning from Large-Scale Datasets for Robot Manipulation

• arxiv url: http://arxiv.org/abs/2506.13536v1
• Date: Mon, 16 Jun 2025 14:25:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:48.69118
• Title: What Matters in Learning from Large-Scale Datasets for Robot Manipulation
• Title（参考訳）: ロボットマニピュレーションのための大規模データセットから学ぶことの重要性
• Authors: Vaibhav Saxena, Matthew Bronars, Nadun Ranawaka Arachchige, Kuancheng Wang, Woo Chul Shin, Soroush Nasiriany, Ajay Mandlekar, Danfei Xu,
• Abstract要約: 我々はこの質問に答えるために大規模なデータセット合成研究を行っている。 既存のデータセットの多様性の共通源を手続き的にエミュレートするデータ生成フレームワークを開発した。 カメラのポーズや空間配置は、収集における多様性と検索におけるアライメントの両方にとって重要な次元であることがわかった。
• 参考スコア（独自算出の注目度）: 12.703188997313223
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Imitation learning from large multi-task demonstration datasets has emerged as a promising path for building generally-capable robots. As a result, 1000s of hours have been spent on building such large-scale datasets around the globe. Despite the continuous growth of such efforts, we still lack a systematic understanding of what data should be collected to improve the utility of a robotics dataset and facilitate downstream policy learning. In this work, we conduct a large-scale dataset composition study to answer this question. We develop a data generation framework to procedurally emulate common sources of diversity in existing datasets (such as sensor placements and object types and arrangements), and use it to generate large-scale robot datasets with controlled compositions, enabling a suite of dataset composition studies that would be prohibitively expensive in the real world. We focus on two practical settings: (1) what types of diversity should be emphasized when future researchers collect large-scale datasets for robotics, and (2) how should current practitioners retrieve relevant demonstrations from existing datasets to maximize downstream policy performance on tasks of interest. Our study yields several critical insights -- for example, we find that camera poses and spatial arrangements are crucial dimensions for both diversity in collection and alignment in retrieval. In real-world robot learning settings, we find that not only do our insights from simulation carry over, but our retrieval strategies on existing datasets such as DROID allow us to consistently outperform existing training strategies by up to 70%. More results at https://robo-mimiclabs.github.io/
• Abstract（参考訳）: 大規模なマルチタスクのデモデータセットからの模倣学習が、一般的な能力を持つロボットを構築するための有望な道として登場した。 その結果、世界中の大規模なデータセットの構築に1000時間が費やされた。 このような取り組みの継続的な成長にもかかわらず、ロボットデータセットの有用性を改善し、下流のポリシー学習を促進するために、どのようなデータを収集すべきかという体系的な理解はいまだに欠けています。 本研究では,この疑問に答えるために,大規模なデータセット合成研究を行う。 既存のデータセット(センサ配置やオブジェクトタイプ,アレンジメントなど)の多様性の共通源を手続き的にエミュレートするデータ生成フレームワークを開発した。 本研究は,(1)ロボット工学の大規模データセット収集において,どのような多様性が重視されるべきか,(2)既存のデータセットから関連する実演を検索して,関心のあるタスクにおける下流政策性能を最大化するか,という2つの実践的設定に焦点を当てる。 例えば、カメラのポーズや空間配置が、収集における多様性と検索におけるアライメントの両方にとって重要な次元であることに気付きました。 実世界のロボット学習環境では、シミュレーションから洞察を得られるだけでなく、DROIDのような既存のデータセットに対する検索戦略によって、既存のトレーニング戦略を最大70%上回る結果が得られます。 詳細はhttps://robo-mimiclabs.github.io/

関連論文リスト

• Efficient Data Collection for Robotic Manipulation via Compositional Generalization [70.76782930312746]
  本研究では, 環境要因をデータから構成し, 未確認の要因の組み合わせに遭遇した場合に成功できることを示す。 コンポジションを利用したドメイン内データ収集手法を提案する。 ビデオはhttp://iliad.stanford.edu/robot-data-comp/で公開しています。
  論文  参考訳（メタデータ） (2024-03-08T07:15:38Z)
• BridgeData V2: A Dataset for Robot Learning at Scale [73.86688388408021]
  BridgeData V2は、ロボット操作行動の大規模で多様なデータセットである。 対象は、24の環境にまたがる60,096個のトラジェクトリだ。
  論文  参考訳（メタデータ） (2023-08-24T17:41:20Z)
• MetaGraspNet: A Large-Scale Benchmark Dataset for Vision-driven Robotic Grasping via Physics-based Metaverse Synthesis [78.26022688167133]
  本稿では,物理に基づくメタバース合成による視覚駆動型ロボットグルーピングのための大規模ベンチマークデータセットを提案する。 提案するデータセットには,10万の画像と25種類のオブジェクトが含まれている。 また,オブジェクト検出とセグメンテーション性能を評価するためのデータセットとともに,新しいレイアウト重み付け性能指標を提案する。
  論文  参考訳（メタデータ） (2021-12-29T17:23:24Z)
• Efficient Self-Supervised Data Collection for Offline Robot Learning [17.461103383630853]
  ロボット強化学習の実用的なアプローチは、まずリアルまたはシミュレートされたロボット相互作用データの大規模なバッチを収集することです。 我々は,新しい観測結果にデータ収集を積極的に焦点をあてる,簡便な目標条件強化学習法を開発した。
  論文  参考訳（メタデータ） (2021-05-10T18:42:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。