論文の概要: EgoVerse: An Egocentric Human Dataset for Robot Learning from Around the World

• arxiv url: http://arxiv.org/abs/2604.07607v1
• Date: Wed, 08 Apr 2026 21:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.569785
• Title: EgoVerse: An Egocentric Human Dataset for Robot Learning from Around the World
• Title（参考訳）: EgoVerse:世界中のロボット学習のための人間中心のデータセット
• Authors: Ryan Punamiya, Simar Kareer, Zeyi Liu, Josh Citron, Ri-Zhao Qiu, Xiongyi Cai, Alexey Gavryushin, Jiaqi Chen, Davide Liconti, Lawrence Y. Zhu, Patcharapong Aphiwetsa, Baoyu Li, Aniketh Cheluva, Pranav Kuppili, Yangcen Liu, Dhruv Patel, Aidan Gao, Hye-Young Chung, Ryan Co, Renee Zbizika, Jeff Liu, Xiaomeng Xu, Haoyu Xiong, Geng Chen, Sebastiano Oliani, Chenyu Yang, Xi Wang, James Fort, Richard Newcombe, Josh Gao, Jason Chong, Garrett Matsuda, Aseem Doriwala, Marc Pollefeys, Robert Katzschmann, Xiaolong Wang, Shuran Song, Judy Hoffman, Danfei Xu,
• Abstract要約: EgoVerseは、人間のデータ駆動型ロボット学習のためのコラボレーションプラットフォームである。 1,965のタスク、240のシーン、2,087のユニークなデモを行う人間のデモの1,362時間 (80kのエピソード) をリリースします。 複数の実験室、タスク、ロボットのエボディメントにまたがって再現された実験により、人間からロボットへの移動を大規模に研究する。
• 参考スコア（独自算出の注目度）: 63.2070298441355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot learning increasingly depends on large and diverse data, yet robot data collection remains expensive and difficult to scale. Egocentric human data offer a promising alternative by capturing rich manipulation behavior across everyday environments. However, existing human datasets are often limited in scope, difficult to extend, and fragmented across institutions. We introduce EgoVerse, a collaborative platform for human data-driven robot learning that unifies data collection, processing, and access under a shared framework, enabling contributions from individual researchers, academic labs, and industry partners. The current release includes 1,362 hours (80k episodes) of human demonstrations spanning 1,965 tasks, 240 scenes, and 2,087 unique demonstrators, with standardized formats, manipulation-relevant annotations, and tooling for downstream learning. Beyond the dataset, we conduct a large-scale study of human-to-robot transfer with experiments replicated across multiple labs, tasks, and robot embodiments under shared protocols. We find that policy performance generally improves with increased human data, but that effective scaling depends on alignment between human data and robot learning objectives. Together, the dataset, platform, and study establish a foundation for reproducible progress in human data-driven robot learning. Videos and additional information can be found at https://egoverse.ai/
• Abstract（参考訳）: ロボットの学習は大規模で多様なデータに依存する傾向にあるが、ロボットのデータ収集は高価でスケールが難しいままである。 エゴセントリックな人間のデータは、日常の環境にまたがるリッチな操作行動を捉えることで、有望な代替手段を提供する。 しかしながら、既存の人間のデータセットはスコープが限られており、拡張が困難であり、機関間で断片化されていることが多い。 EgoVerseは、データ収集、処理、アクセスを共有フレームワークで統合し、個々の研究者、学術研究所、業界パートナーからのコントリビューションを可能にする、人間のデータ駆動型ロボット学習のための協調プラットフォームである。 現在のリリースには、1,965のタスク、240のシーン、2,087のユニークなデモ、標準化されたフォーマット、操作関連アノテーション、ダウンストリーム学習のためのツールを含む、人間のデモの1,362時間(80k回)が含まれている。 データセットの他に、複数のラボ、タスク、ロボットが共用プロトコルで再現された実験を用いて、人間からロボットへの移動を大規模に研究する。 政策性能は一般的に人的データの増加によって向上するが、効果的なスケーリングは人的データとロボット学習の目的との整合性に依存する。 データセット、プラットフォーム、研究と共に、人間のデータ駆動型ロボット学習における再現可能な進歩の基礎を確立する。 ビデオと追加情報はhttps://egoverse.ai/で見ることができる。

関連論文リスト

• $Ψ_0$: An Open Foundation Model Towards Universal Humanoid Loco-Manipulation [39.811210435945924]
  本稿では,ヒューマノイドのロコ操作課題に対処するオープン基盤モデルを提案する。 我々の研究は、重要だが見落とされがちなデータレシピを特定します。 高品質な人間操作データに対する事前トレーニングと、ドメイン固有の実世界のヒューマノイド軌道のポストトレーニングにより、優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2026-03-12T17:59:51Z)
• EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
  EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。 スケーラブルな人的データ収集のためのポータブルシステムを開発した。
  論文  参考訳（メタデータ） (2026-02-10T18:59:03Z)
• Humanoid Everyday: A Comprehensive Robotic Dataset for Open-World Humanoid Manipulation [16.701354625940308]
  Humanoid Everydayは大規模かつ多様なヒューマノイド操作データセットである。 RGB、deep、LiDAR、触覚入力を含む高品質なマルチモーダル感覚データを自然言語アノテーションとともに集約する。 我々は、データセット上で代表的政策学習手法の分析を行い、その強みと限界について洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-09T20:43:27Z)
• EgoZero: Robot Learning from Smart Glasses [54.6168258133554]
  EgoZeroはProject Ariaスマートグラスで捉えた人間のデモから堅牢な操作ポリシーを学ぶ。 EgoZeroのポリシーをFranka Pandaロボットにデプロイし、7つの操作タスクに対して70%の成功率でゼロショット転送を実演する。 この結果から,実世界におけるロボット学習のためのスケーラブルな基盤として,現在地にある人間のデータを活用できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T17:59:17Z)
• Humanoid Policy ~ Human Policy [41.34186233320398]
  人間行動変換器(HAT)と呼ばれる人-人-人-行動政策を訓練する。 HATのステートアクション空間は、人間とヒューマノイドロボットの両方に統一されており、ロボットのアクションに微分的に再ターゲットすることができる。 人間のデータは,HATの一般化と堅牢性の両方を改善し,データ収集効率を著しく向上させることを示す。
  論文  参考訳（メタデータ） (2025-03-17T17:59:09Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• 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。