論文の概要: Synthetic Data Pipelines for Adaptive, Mission-Ready Militarized Humanoids

• arxiv url: http://arxiv.org/abs/2512.14411v1
• Date: Tue, 16 Dec 2025 13:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.379849
• Title: Synthetic Data Pipelines for Adaptive, Mission-Ready Militarized Humanoids
• Title（参考訳）: 適応型、ミッション対応型ミリタライズドヒューマノイドのための合成データパイプライン
• Authors: Mohammed Ayman Habib, Aldo Petruzzelli,
• Abstract要約: このアプローチは、視点記録、スマートグラス、拡張現実ヘッドセット、空間ブラウジングから得られる一対一の空間観察を、ヒューマノイド自律のためのミッション固有の合成データセットに変換する。 このパイプラインは、広範囲にわたるフィールドトライアルのコスト、リスク、時間的制約なしに、認識、ナビゲーション、意思決定能力の迅速なイテレーションを可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Omnia presents a synthetic data driven pipeline to accelerate the training, validation, and deployment readiness of militarized humanoids. The approach converts first-person spatial observations captured from point-of-view recordings, smart glasses, augmented reality headsets, and spatial browsing workflows into scalable, mission-specific synthetic datasets for humanoid autonomy. By generating large volumes of high-fidelity simulated scenarios and pairing them with automated labeling and model training, the pipeline enables rapid iteration on perception, navigation, and decision-making capabilities without the cost, risk, or time constraints of extensive field trials. The resulting datasets can be tuned quickly for new operational environments and threat conditions, supporting both baseline humanoid performance and advanced subsystems such as multimodal sensing, counter-detection survivability, and CBRNE-relevant reconnaissance behaviors. This work targets faster development cycles and improved robustness in complex, contested settings by exposing humanoid systems to broad scenario diversity early in the development process.
• Abstract（参考訳）: Omniaは、軍用化されたヒューマノイドの訓練、検証、展開の準備を加速するために、合成データ駆動パイプラインを提供する。 このアプローチは、視点記録、スマートグラス、拡張現実ヘッドセット、空間閲覧ワークフローから得られる一対一の空間観察を、スケーラブルでミッション固有のヒューマノイド自律性のための合成データセットに変換する。 大量の高忠実度シミュレーションシナリオを生成し、それらを自動ラベリングとモデルトレーニングと組み合わせることで、広範なフィールドトライアルのコスト、リスク、時間的制約なしに、知覚、ナビゲーション、意思決定能力の迅速なイテレーションを可能にする。 得られたデータセットは、新しい運用環境や脅威条件に対して迅速に調整でき、ベースラインのヒューマノイド性能と、マルチモーダルセンシング、反検出サバイバル性、CBRNE関連偵察行動などの高度なサブシステムの両方をサポートする。 この作業は、開発プロセスの初期段階で幅広いシナリオの多様性にヒューマノイドシステムを公開することで、開発サイクルの高速化と、複雑な競合する環境における堅牢性の向上を目標としている。

関連論文リスト

• RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
  ロボットのためのロバスト自動データ取得(RADAR)について紹介する。 RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。 シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
  論文  参考訳（メタデータ） (2026-03-12T11:18:52Z)
• SimScale: Learning to Drive via Real-World Simulation at Scale [45.08991279559151]
  本稿では,既存の運転ログ上に巨大な未確認状態を合成可能な,新規でスケーラブルなシミュレーションフレームワークを提案する。 我々のパイプラインは、高度なニューラルレンダリングとリアクティブ環境を利用して、高忠実度マルチビュー観測を生成する。 我々は、これらの新しいシミュレーション状態に対する擬似経験的軌跡生成機構を開発し、行動監視を行う。
  論文  参考訳（メタデータ） (2025-11-28T17:17:38Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• From Seeing to Experiencing: Scaling Navigation Foundation Models with Reinforcement Learning [59.88543114325153]
  本稿では,航法基礎モデルの強化学習能力を高めるためのSeeing-to-Experiencingフレームワークを提案する。 S2Eは、ビデオの事前トレーニングとRLによるポストトレーニングの長所を組み合わせたものだ。 実世界のシーンを3DGSで再現した3D画像に基づく総合的なエンドツーエンド評価ベンチマークであるNavBench-GSを構築した。
  論文  参考訳（メタデータ） (2025-07-29T17:26:10Z)
• A workflow for generating synthetic LiDAR datasets in simulation environments [0.0]
  本稿では,自動運転車の認識,ロボット工学研究,センサセキュリティ解析を支援するために,合成LiDARデータセットを生成するシミュレーションワークフローを提案する。 都会のシナリオで運用されている模擬車両プラットフォームに飛行時間LiDAR、画像センサ、二次元スキャナを統合する。 本研究は, 対向点注入や偽造攻撃などのLiDARデータにおける潜在的なセキュリティ脆弱性を調査し, 合成データセットが防衛戦略の評価をいかに促進するかを実証する。
  論文  参考訳（メタデータ） (2025-06-20T17:56:15Z)
• Collecting Human Motion Data in Large and Occlusion-Prone Environments using Ultra-Wideband Localization [1.3852370777848657]
  本稿では,UWB(Ultra-Wideband)ローカライゼーション技術の適用の可能性について検討する。 我々は、視線追跡、搭載ロボットLiDAR、レーダーセンサーなどの追加のセンシングモードや、モーションキャプチャデータを地上の真実として記録し、評価と比較を行う。
  論文  参考訳（メタデータ） (2025-05-09T07:44:57Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• LiveHPS: LiDAR-based Scene-level Human Pose and Shape Estimation in Free Environment [59.320414108383055]
  シーンレベルの人間のポーズと形状推定のための単一LiDARに基づく新しいアプローチであるLiveHPSを提案する。 多様な人間のポーズを伴う様々なシナリオで収集される巨大な人間の動きデータセットFreeMotionを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:08:44Z)
• Scalable Modular Synthetic Data Generation for Advancing Aerial Autonomy [2.9005223064604078]
  本稿では,自律飛行に適したスケーラブルなAerial Synthetic Data Augmentation (ASDA) フレームワークを提案する。 ASDAは、シーンとデータ拡張を自動的に実行する2つのスクリプト可能なパイプラインを備えた中央データ収集エンジンを拡張している。 多様なデータセットを自動生成する手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-11-10T04:37:41Z)
• SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation [152.60469768559878]
  ShiFTは、自動運転のための最大規模のマルチタスク合成データセットである。 曇り、雨と霧の強さ、昼の時間、車と歩行者の密度を個別に連続的に変化させる。 私たちのデータセットとベンチマークツールキットはwww.vis.xyz/shift.comで公開されています。
  論文  参考訳（メタデータ） (2022-06-16T17:59:52Z)

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。