論文の概要: RoboCade: Gamifying Robot Data Collection

• arxiv url: http://arxiv.org/abs/2512.21235v2
• Date: Fri, 26 Dec 2025 15:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.510485
• Title: RoboCade: Gamifying Robot Data Collection
• Title（参考訳）: RoboCade: ゲーミフィケーションロボットのデータ収集
• Authors: Suvir Mirchandani, Mia Tang, Jiafei Duan, Jubayer Ibn Hamid, Michael Cho, Dorsa Sadigh,
• Abstract要約: 人間のデモンストレーションからの模倣学習は、自律型ロボットポリシーのトレーニングにおいて支配的なアプローチとなっている。 我々は、ゲーミフィケーションされたデータ収集体験において、幅広いオーディエンスを巻き込むことで、このスケーラビリティの課題に対処することを目指している。 具体的には,データ収集に一般ユーザを巻き込むため,ゲーム化された遠隔遠隔操作プラットフォームであるRoboCadeを開発した。
• 参考スコア（独自算出の注目度）: 24.3499633171607
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Imitation learning from human demonstrations has become a dominant approach for training autonomous robot policies. However, collecting demonstration datasets is costly: it often requires access to robots and needs sustained effort in a tedious, long process. These factors limit the scale of data available for training policies. We aim to address this scalability challenge by involving a broader audience in a gamified data collection experience that is both accessible and motivating. Specifically, we develop a gamified remote teleoperation platform, RoboCade, to engage general users in collecting data that is beneficial for downstream policy training. To do this, we embed gamification strategies into the design of the system interface and data collection tasks. In the system interface, we include components such as visual feedback, sound effects, goal visualizations, progress bars, leaderboards, and badges. We additionally propose principles for constructing gamified tasks that have overlapping structure with useful downstream target tasks. We instantiate RoboCade on three manipulation tasks -- including spatial arrangement, scanning, and insertion. To illustrate the viability of gamified robot data collection, we collect a demonstration dataset through our platform, and show that co-training robot policies with this data can improve success rate on non-gamified target tasks (+16-56%). Further, we conduct a user study to validate that novice users find the gamified platform significantly more enjoyable than a standard non-gamified platform (+24%). These results highlight the promise of gamified data collection as a scalable, accessible, and engaging method for collecting demonstration data.
• Abstract（参考訳）: 人間のデモンストレーションからの模倣学習は、自律型ロボットポリシーのトレーニングにおいて支配的なアプローチとなっている。 しかし、デモデータセットの収集にはコストがかかる。ロボットへのアクセスを必要とし、面倒で長いプロセスで持続的な努力を必要とすることが多い。 これらの要因は、トレーニングポリシーで利用可能なデータの規模を制限する。 このスケーラビリティの課題に対処するために、幅広いオーディエンスをゲーミフィケーションされたデータ収集エクスペリエンスに巻き込み、アクセシビリティとモチベーションを両立させることを目指しています。 具体的には,下流政策訓練に有用なデータ収集に一般ユーザを関与させる,ゲーミフィケーションな遠隔遠隔操作プラットフォームであるRoboCadeを開発した。 これを実現するために,システムインターフェースとデータ収集タスクの設計にゲーミフィケーション戦略を組み込む。 システムインターフェースには、視覚的フィードバック、サウンドエフェクト、ゴールビジュアライゼーション、プログレスバー、リーダーボード、バッジなどのコンポーネントが含まれています。 また、下流目標タスクと重なる構造を持つゲーミフィケーションタスクを構築するための原則も提案する。 空間配置、スキャン、挿入を含む3つの操作タスクでRoboCadeをインスタンス化する。 ゲーミフィケーションされたロボットデータ収集の実現可能性を説明するために,我々のプラットフォームを通じて実演データセットを収集し,このデータを用いた協調学習ロボットポリシーが,非ゲーミフィケーション対象タスク(+16-56%)の成功率を向上させることを示す。 さらに、初心者が標準の非ゲーミフィケーションプラットフォーム(+24%)よりも楽しむことができることを検証するために、ユーザスタディを実施している(+24%)。 これらの結果から, ガミファイドデータ収集は, スケーラブルでアクセシビリティが高く, エンゲージメントの高いデータ収集方法として期待されている。

関連論文リスト

• What Matters in Learning from Large-Scale Datasets for Robot Manipulation [12.703188997313223]
  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。
  論文  参考訳（メタデータ） (2025-06-16T14:25:29Z)
• VITAL: Interactive Few-Shot Imitation Learning via Visual Human-in-the-Loop Corrections [10.49712834719005]
  イミテーション・ラーニング(IL)はロボット工学において強力なアプローチとして登場し、ロボットは人間の行動を模倣することで新しいスキルを身につけることができる。 その可能性にもかかわらず、ILのデータ収集プロセスは、ロジスティックな困難と高品質なデモンストレーションの獲得に伴う高コストのため、依然として重要な課題である。 本稿では,シミュレーションにおけるデータ拡張を通じて,少数の実演から大規模データ生成を提案する。
  論文  参考訳（メタデータ） (2024-07-30T23:29:47Z)
• AdaDemo: Data-Efficient Demonstration Expansion for Generalist Robotic Agent [75.91274222142079]
  本研究では,汎用ロボットエージェントの学習を容易にするために,データ効率のよい方法で実演をスケールアップすることを目的とする。 AdaDemoは、デモデータセットを積極的に継続的に拡張することで、マルチタスクポリシー学習を改善するように設計されたフレームワークである。
  論文  参考訳（メタデータ） (2024-04-11T01:59:29Z)
• Polybot: Training One Policy Across Robots While Embracing Variability [70.74462430582163]
  複数のロボットプラットフォームにデプロイするための単一のポリシーをトレーニングするための重要な設計決定セットを提案する。 われわれのフレームワークは、まず、手首カメラを利用して、我々のポリシーの観察空間と行動空間を具体化して調整する。 6つのタスクと3つのロボットにまたがる60時間以上のデータセットを用いて,関節の形状や大きさの異なるデータセットの評価を行った。
  論文  参考訳（メタデータ） (2023-07-07T17:21:16Z)
• RH20T: A Comprehensive Robotic Dataset for Learning Diverse Skills in One-Shot [56.130215236125224]
  オープンドメインでのロボット操作における重要な課題は、ロボットの多様性と一般化可能なスキルの獲得方法である。 単発模倣学習の最近の研究は、訓練されたポリシーを実証に基づく新しいタスクに移行する可能性を示唆している。 本稿では,エージェントがマルチモーダルな知覚で数百の現実世界のスキルを一般化する可能性を解き放つことを目的とする。
  論文  参考訳（メタデータ） (2023-07-02T15:33:31Z)
• Scaling Robot Learning with Semantically Imagined Experience [21.361979238427722]
  ロボット学習の最近の進歩は、ロボットが操作タスクを実行できることを約束している。 この進歩に寄与する要因の1つは、モデルのトレーニングに使用されるロボットデータのスケールである。 本稿では,コンピュータビジョンや自然言語処理に広く用いられているテキスト・ツー・イメージ基盤モデルを利用した代替手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T18:47:51Z)
• BC-Z: Zero-Shot Task Generalization with Robotic Imitation Learning [108.41464483878683]
  本稿では,視覚に基づくロボット操作システムにおいて,新しいタスクを一般化することの課題について検討する。 実演と介入の両方から学ぶことができるインタラクティブで柔軟な模倣学習システムを開発した。 実際のロボットにおけるデータ収集を100以上のタスクにスケールすると、このシステムは平均的な成功率44%で24の目に見えない操作タスクを実行できる。
  論文  参考訳（メタデータ） (2022-02-04T07:30:48Z)
• Actionable Models: Unsupervised Offline Reinforcement Learning of Robotic Skills [93.12417203541948]
  与えられたデータセットの任意の目標状態に到達するために学習することによって、環境の機能的な理解を学ぶ目的を提案する。 提案手法は,高次元カメラ画像上で動作し,これまで見つからなかったシーンやオブジェクトに一般化した実ロボットの様々なスキルを学習することができる。
  論文  参考訳（メタデータ） (2021-04-15T20:10:11Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。