論文の概要: FeasibleCap: Real-Time Embodiment Constraint Guidance for In-the-Wild Robot Demonstration Collection

• arxiv url: http://arxiv.org/abs/2603.07580v1
• Date: Sun, 08 Mar 2026 10:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.057205
• Title: FeasibleCap: Real-Time Embodiment Constraint Guidance for In-the-Wild Robot Demonstration Collection
• Title（参考訳）: FeasibleCap: 現場でのロボットデモコレクションのためのリアルタイム体操指導
• Authors: Zi Yin, Fanhong Li, Yun Gui, Jia Liu,
• Abstract要約: FeasibleCapはグリップ・イン・ハンドのデータ収集システムだ。 ピック・アンド・プレイス・タスクでは、FeasibleCapはリプレイの成功を改善し、実現不可能なフレーム数を減らす。
• 参考スコア（独自算出の注目度）: 3.8103821995386356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Gripper-in-hand data collection decouples demonstration acquisition from robot hardware, but whether a trajectory is executable on the target robot remains unknown until a separate replay-and-validate stage. Failed demonstrations therefore inflate the effective cost per usable trajectory through repeated collection, diagnosis, and validation. Existing collection-time feedback systems mitigate this issue but rely on head-worn AR/VR displays, robot-in-the-loop hardware, or learned dynamics models; real-time executability feedback has not yet been integrated into the gripper-in-hand data collection paradigm. We present \textbf{FeasibleCap}, a gripper-in-hand data collection system that brings real-time executability guidance into robot-free capture. At each frame, FeasibleCap checks reachability, joint-rate limits, and collisions against a target robot model and closes the loop through on-device visual overlays and haptic cues, allowing demonstrators to correct motions during collection without learned models, headsets, or robot hardware. On pick-and-place and tossing tasks, FeasibleCap improves replay success and reduces the fraction of infeasible frames, with the largest gains on tossing. Simulation experiments further indicate that enforcing executability constraints during collection does not sacrifice cross-embodiment transfer across robot platforms. Hardware designs and software are available at https://github.com/aod321/FeasibleCap.
• Abstract（参考訳）: Gripper-in-hand データ収集は、ロボットハードウェアからの実証的な取得を分離するが、目標ロボット上で軌道が実行可能であるかどうかは、別段のリプレイ・アンド・バリデートステージまで不明である。 したがって、障害のある実演は、繰り返し収集、診断、検証を通じて使用可能な軌道に対する有効コストを増大させる。 既存のコレクションフィードバックシステムはこの問題を軽減するが、ヘッドウーンのAR/VRディスプレイ、ロボット・イン・ザ・ループ・ハードウェア、あるいは学習されたダイナミックスモデルに依存している。 我々は,ロボットフリーキャプチャにリアルタイム実行可能性ガイダンスを提供するグリッパー・イン・ハンドデータ収集システムである‘textbf{FeasibleCap} を提示する。 それぞれのフレームで、FeasibleCapは、目標とするロボットモデルに対する到達性、関節速度制限、衝突をチェックし、デバイス上でのオーバーレイや触覚的なキューを通じてループを閉じる。 ピック・アンド・プレイス・タスクでは、FeasibleCapはリプレイの成功を改善し、実現不可能なフレームの数を減らす。 さらにシミュレーション実験により、収集中の実行可能性制約の強制は、ロボットプラットフォーム間のクロス・エボディメント・トランスファーを犠牲にしないことが示された。 ハードウェアの設計とソフトウェアはhttps://github.com/aod321/FeasibleCapで入手できる。

関連論文リスト

• EVA: Aligning Video World Models with Executable Robot Actions via Inverse Dynamics Rewards [47.255807408091755]
  ビデオ生成モデルは、ロボット工学の世界モデルとしてますます使われている。 現在のビデオワールドモデルは、明示的な実行可能性の制約を欠いている。 本稿では,ビデオワールドモデルを調整するための強化学習フレームワークであるExecutable Video Alignment (EVA)を紹介する。
  論文  参考訳（メタデータ） (2026-03-18T15:02:19Z)
• 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)
• RoboPocket: Improve Robot Policies Instantly with Your Phone [47.930515808607446]
  模倣学習のスケーリングは、データ収集の効率によって制限される。 本稿では,ロボットフリーのインスタントポリシーを実現するポータブルシステムであるRoboPocketを紹介する。
  論文  参考訳（メタデータ） (2026-03-05T18:59:38Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• 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)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• ARCap: Collecting High-quality Human Demonstrations for Robot Learning with Augmented Reality Feedback [21.9704438641606]
  本稿では,拡張現実(AR)と触覚警告を通じて視覚的フィードバックを提供する携帯型データ収集システムARCapを提案する。 ARCapから収集されたデータにより、ロボットは散らかった環境での操作や長い水平交叉操作といった困難なタスクを実行できる。
  論文  参考訳（メタデータ） (2024-10-11T02:30:46Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)
• DexCap: Scalable and Portable Mocap Data Collection System for Dexterous Manipulation [28.37054959647664]
  人間の手の動きデータからの模倣学習は、現実世界の操作タスクにおいて、人間のような器用さでロボットを倒すための有望な道を示す。 携帯型ハンドモーションキャプチャシステムであるDexCapとDexILを紹介する。
  論文  参考訳（メタデータ） (2024-03-12T16:23:49Z)

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。