論文の概要: RoboAug: One Annotation to Hundreds of Scenes via Region-Contrastive Data Augmentation for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2602.14032v1
• Date: Sun, 15 Feb 2026 07:40:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.471936
• Title: RoboAug: One Annotation to Hundreds of Scenes via Region-Contrastive Data Augmentation for Robotic Manipulation
• Title（参考訳）: RoboAug: ロボットマニピュレーションのための領域コントラストデータ拡張による数百のシーンへの注釈
• Authors: Xinhua Wang, Kun Wu, Zhen Zhao, Hu Cao, Yinuo Zhao, Zhiyuan Xu, Meng Li, Shichao Fan, Di Wu, Yixue Zhang, Ning Liu, Zhengping Che, Jian Tang,
• Abstract要約: RoboAugは、大規模な事前トレーニングへの依存を最小限に抑える新しい生成データ拡張フレームワークである。 UR-5e、AgileX、Tien Kung 2.0という3つのロボットで、35k以上のロールアウトにまたがる大規模な実世界の実験を行います。 実証的な結果は、RoboAugが最先端のデータ拡張ベースラインを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 34.2367474351408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Enhancing the generalization capability of robotic learning to enable robots to operate effectively in diverse, unseen scenes is a fundamental and challenging problem. Existing approaches often depend on pretraining with large-scale data collection, which is labor-intensive and time-consuming, or on semantic data augmentation techniques that necessitate an impractical assumption of flawless upstream object detection in real-world scenarios. In this work, we propose RoboAug, a novel generative data augmentation framework that significantly minimizes the reliance on large-scale pretraining and the perfect visual recognition assumption by requiring only the bounding box annotation of a single image during training. Leveraging this minimal information, RoboAug employs pre-trained generative models for precise semantic data augmentation and integrates a plug-and-play region-contrastive loss to help models focus on task-relevant regions, thereby improving generalization and boosting task success rates. We conduct extensive real-world experiments on three robots, namely UR-5e, AgileX, and Tien Kung 2.0, spanning over 35k rollouts. Empirical results demonstrate that RoboAug significantly outperforms state-of-the-art data augmentation baselines. Specifically, when evaluating generalization capabilities in unseen scenes featuring diverse combinations of backgrounds, distractors, and lighting conditions, our method achieves substantial gains over the baseline without augmentation. The success rates increase from 0.09 to 0.47 on UR-5e, from 0.16 to 0.60 on AgileX, and from 0.19 to 0.67 on Tien Kung 2.0. These results highlight the superior generalization and effectiveness of RoboAug in real-world manipulation tasks. Our project is available at https://x-roboaug.github.io/.
• Abstract（参考訳）: ロボット学習の一般化能力を強化して、多様な、見えない場面でロボットが効果的に動作できるようにすることは、根本的な、そして困難な問題である。 既存のアプローチは、労働集約的で時間を要する大規模なデータ収集の事前トレーニングや、現実のシナリオにおいて、欠陥のない上流オブジェクト検出の非現実的な仮定を必要とするセマンティックデータ拡張技術に依存することが多い。 本研究では,大規模事前学習への依存度を著しく低減し,トレーニング中の単一画像の境界ボックスアノテーションのみを必要とすることで,完全な視覚認識を前提とした新たな生成データ拡張フレームワークであるRoboAugを提案する。 この最小限の情報を活用することで、RoboAugは、厳密なセマンティックデータ拡張のために事前訓練された生成モデルを採用し、プラグアンドプレイの領域競合損失を統合して、モデルがタスク関連リージョンに集中するのを手助けし、一般化を改善し、タスクの成功率を高める。 UR-5e、AgileX、Tien Kung 2.0という3つのロボットで、35k以上のロールアウトにまたがる大規模な実世界の実験を行います。 実証的な結果は、RoboAugが最先端のデータ拡張ベースラインを大幅に上回っていることを示している。 具体的には,背景,イントラクタ,照明条件の多彩な組み合わせを特徴とする未確認シーンにおける一般化能力の評価において,拡張を伴わないベースライン上での大幅な向上を実現する。 成功率は UR-5e では 0.09 から 0.47 に、AgileX では 0.16 から 0.60 に、Tien Kung 2.0 では 0.19 から 0.67 に増加した。 これらの結果は、実世界の操作タスクにおけるRoboAugの優れた一般化と有効性を強調している。 私たちのプロジェクトはhttps://x-roboaug.github.io/で公開されています。

関連論文リスト

• Invariance Co-training for Robot Visual Generalization [72.88252238231269]
  多様な観察から推論することは、汎用的なロボットポリシーが幅広い環境で動作するための基本的な能力である。 多様なデータによる協調学習は,既存の生成的拡張法よりも18%向上することを示した。
  論文  参考訳（メタデータ） (2025-12-04T20:08:46Z)
• AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems [88.05152114775498]
  AgiBot Worldは、217のタスクにまたがる100万以上のトラジェクトリを5つのデプロイメントシナリオで構成した大規模なプラットフォームである。 AgiBot Worldは高品質で多様なデータ配信を保証する。 GO-1は、現実世界のデクスタラスタスクや長距離タスクにおいて例外的な能力を示す。
  論文  参考訳（メタデータ） (2025-03-09T15:40:29Z)
• Robots Pre-train Robots: Manipulation-Centric Robotic Representation from Large-Scale Robot Datasets [24.77850617214567]
  本稿では,視覚的特徴と操作タスクの行動や受容といった動的情報の両方を抽出する基礎表現学習フレームワークを提案する。 具体的には、DROIDロボットデータセット上で視覚エンコーダを事前訓練し、ロボットの受容状態や動作などの動作関連データを活用する。 本研究では,視覚的観察をロボットの主観的状態-動作ダイナミクスと整合させる新しいコントラスト的損失と,事前トレーニング中の行動を予測する行動クローニング(BC)のようなアクター損失と,時間的コントラスト的損失を導入する。
  論文  参考訳（メタデータ） (2024-10-29T17:58:13Z)
• An Unbiased Look at Datasets for Visuo-Motor Pre-Training [20.094244564603184]
  データセットの選択は、このパラダイムの成功と同じくらい重要です。 従来の視覚データセットは、ビジュオモダ表現学習の驚くほど競争力のある選択肢である。 シミュレーションベンチマークは実世界のパフォーマンスの信頼できるプロキシではないことを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:59:02Z)
• 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)
• A Framework for Efficient Robotic Manipulation [79.10407063260473]
  単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。 デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
  論文  参考訳（メタデータ） (2020-12-14T22:18:39Z)

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。