論文の概要: WheelArm-Sim: A Manipulation and Navigation Combined Multimodal Synthetic Data Generation Simulator for Unified Control in Assistive Robotics

• arxiv url: http://arxiv.org/abs/2601.21129v1
• Date: Thu, 29 Jan 2026 00:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.99482
• Title: WheelArm-Sim: A Manipulation and Navigation Combined Multimodal Synthetic Data Generation Simulator for Unified Control in Assistive Robotics
• Title（参考訳）: WheelArm-Sim:支援ロボティクスにおける統一制御のためのマルチモーダル合成データ生成シミュレータの操作とナビゲーション
• Authors: Guangping Liu, Tipu Sultan, Vittorio Di Giorgio, Nick Hawkins, Flavio Esposito, Madi Babaiasl,
• Abstract要約: 車椅子とロボットアームの制御を組み合わせた統合サイバー物理システム(CPS)であるWheelArmのコンセプトを紹介した。 WheelArm-Simから収集したデータは、統合制御のためのデータ駆動機械学習モデルで実現可能である。
• 参考スコア（独自算出の注目度）: 1.9655734270449854
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Wheelchairs and robotic arms enhance independent living by assisting individuals with upper-body and mobility limitations in their activities of daily living (ADLs). Although recent advancements in assistive robotics have focused on Wheelchair-Mounted Robotic Arms (WMRAs) and wheelchairs separately, integrated and unified control of the combination using machine learning models remains largely underexplored. To fill this gap, we introduce the concept of WheelArm, an integrated cyber-physical system (CPS) that combines wheelchair and robotic arm controls. Data collection is the first step toward developing WheelArm models. In this paper, we present WheelArm-Sim, a simulation framework developed in Isaac Sim for synthetic data collection. We evaluate its capability by collecting a manipulation and navigation combined multimodal dataset, comprising 13 tasks, 232 trajectories, and 67,783 samples. To demonstrate the potential of the WheelArm dataset, we implement a baseline model for action prediction in the mustard-picking task. The results illustrate that data collected from WheelArm-Sim is feasible for a data-driven machine learning model for integrated control.
• Abstract（参考訳）: 車椅子とロボットアームは、日常生活(ADL)の活動において、上半身と移動性に制限のある個人を支援することで、自立生活を促進する。 近年の補助ロボットの進歩はWMRA(Wheelchair-Mounted Robotic Arms)と車椅子に焦点が当てられているが、機械学習モデルを用いた組み合わせの統合と統一的な制御は未熟である。 このギャップを埋めるために、車椅子とロボットアームの制御を組み合わせた統合サイバー物理システム(CPS)であるWheelArmを紹介します。 データ収集は、WheelArmモデルの開発に向けた最初のステップである。 本稿では,アイザック・シムが開発した合成データ収集のためのシミュレーションフレームワークであるWheelArm-Simを提案する。 13のタスク,232のトラジェクトリ,67,783のサンプルからなる,操作とナビゲーションを組み合わせたマルチモーダルデータセットを収集することにより,その能力を評価する。 WheelArmデータセットの可能性を実証するために、マスタードピッキングタスクにおけるアクション予測のためのベースラインモデルを実装した。 その結果、WheelArm-Simから収集したデータは、統合制御のためのデータ駆動機械学習モデルで実現可能であることが示された。

関連論文リスト

• ActiveUMI: Robotic Manipulation with Active Perception from Robot-Free Human Demonstrations [32.570602111692914]
  複雑な双方向操作が可能なロボットに人体でのデモンストレーションを転送する,データ収集システムのためのフレームワークであるActiveUMIを提案する。 ActiveUMIは、ロボットのエンドエフェクターをミラーするセンサー付きコントローラーを備えたポータブルVR遠隔操作キットを結合する。 操作者の意図した頭部の動きをヘッドマウントディスプレイで記録することにより,視覚的注意と操作の関係を学習する。
  論文  参考訳（メタデータ） (2025-10-02T02:44:21Z)
• HumanoidGen: Data Generation for Bimanual Dexterous Manipulation via LLM Reasoning [46.57163859424286]
  本稿では,自動タスク生成およびデモコレクションフレームワークであるHumanoidGenを提案する。 具体的には,原子の操作に基づいて,資産と器用な手の両方に空間アノテーションを提供する。 実験では,収集したデータの品質を評価するために,拡張シナリオを用いた新しいベンチマークを作成する。
  論文  参考訳（メタデータ） (2025-07-01T15:04:38Z)
• RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
  RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。 3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。 我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
  論文  参考訳（メタデータ） (2025-06-28T05:03:31Z)
• Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry [0.5277756703318045]
  本稿では,非ホロノミック移動ロボットの予測制御系にEDMDモデルを組み込む方法について検討する。 実世界の計測データのみを用いて、シミュレーションとハードウェア実験の両方で、サロゲートモデルが高精度な予測制御を可能にすることが示されている。
  論文  参考訳（メタデータ） (2024-11-11T18:08:17Z)
• AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
  AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。 われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。 実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-01-23T18:45:54Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects [51.79035249464852]
  本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
  論文  参考訳（メタデータ） (2021-11-07T02:31:09Z)
• Learning Predictive Models From Observation and Interaction [137.77887825854768]
  世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。 しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。 本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
  論文  参考訳（メタデータ） (2019-12-30T01:10:41Z)

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。