論文の概要: XRZero-G0: Pushing the Frontier of Dexterous Robotic Manipulation with Interfaces, Quality and Ratios
- arxiv url: http://arxiv.org/abs/2604.13001v2
- Date: Thu, 16 Apr 2026 16:19:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 16:09:14.187669
- Title: XRZero-G0: Pushing the Frontier of Dexterous Robotic Manipulation with Interfaces, Quality and Ratios
- Title（参考訳）: XRZero-G0: インタフェース, 品質, 比率によるデクサラスロボットマニピュレーションのフロンティアを推し進める
- Authors: James Wang, Primo Pu, Zephyr Fung, Alex Wang, Sam Wang, Bender Deng, Kevin Wang, Zivid Liu, Chris Pan, Panda Yang, Andy Zhai, Lucy Liang, Shalfun Li, Johnny Sun, Jacky Xu, Will Tian, Kai Yan, Kohler Ye, Scott Li, Qian Wang, Roy Gan, Hao Wang,
- Abstract要約: XRZero-G0(XRZero-G0)は、データ収集とポリシー学習のためのハードウェアとソフトウェアの共同設計システムである。
我々は、目標となる物理ロボットにゼロショットのクロスボデーメント転送を可能にする2000時間ロボットフリーデータセットを構築した。
- 参考スコア（独自算出の注目度）: 10.349987856533723
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The acquisition of high-quality, action-aligned demonstration data remains a fundamental bottleneck in scaling foundation models for dexterous robot manipulation. Although robot-free human demonstrations (e.g., the UMI paradigm) offer a scalable alternative to traditional teleoperation, current systems are constrained by sub-optimal hardware ergonomics, open-loop workflows, and a lack of systematic data-mixing strategies. To address these limitations, we present XRZero-G0, a hardware-software co-designed system for embodied data collection and policy learning. The system features an ergonomic, virtual reality interface equipped with a top-view camera and dual specialized grippers to directly improve collection efficiency. To ensure dataset reliability, we propose a closed-loop collection, inspection, training, and evaluation pipeline for non-proprioceptive data. This workflow achieves an 85% data validity rate and establishes a transparent mechanism for quality control. Furthermore, we investigate the empirical scaling behaviors and optimal mixing ratios of robot-free data. Extensive experiments indicate that combining a minimal volume of real-robot data with large-scale robot-free data (e.g., a 10:1 ratio) achieves performance comparable to exclusively real-robot datasets, while reducing acquisition costs by a factor of twenty. Utilizing XRZero-G0, we construct a 2,000-hour robot-free dataset that enables zero-shot cross-embodiment transfer to a target physical robot, demonstrating a highly scalable methodology for generalized real-world manipulation.Our project repository: https://github.com/X-Square-Robot/XRZero-G0
- Abstract（参考訳）: 高品質で行動整合性のある実証データを取得することは、厳格なロボット操作のための基礎モデルをスケーリングする上で、依然として基本的なボトルネックとなっている。
ロボットフリーの人間によるデモ(例:UMIパラダイム)は、従来の遠隔操作に代わるスケーラブルな代替手段を提供するが、現在のシステムは、準最適ハードウェアエルゴノミクス、オープンループワークフロー、体系的なデータ混合戦略の欠如によって制約されている。
これらの制約に対処するため,XRZero-G0は,データ収集とポリシー学習を具体化するハードウェア・ソフトウェア共同設計システムである。
このシステムは、トップビューカメラとデュアル特殊グリップを備えた人間工学的バーチャルリアリティーインタフェースを備えており、収集効率を直接改善している。
データセットの信頼性を確保するため,非受容データに対するクローズドループ収集,検査,トレーニング,評価パイプラインを提案する。
このワークフローは85%のデータ妥当性を達成し、品質管理のための透過的なメカニズムを確立する。
さらに,ロボットフリーデータの実験的スケーリング挙動と最適混合比について検討した。
大規模な実験では、実ロボットデータの最小ボリュームと大規模なロボットフリーデータ(例:10:1比)を組み合わせることで、実ロボットのデータセットに匹敵するパフォーマンスを実現し、取得コストを20倍に削減している。
XRZero-G0を利用することで、ターゲットの物理ロボットにゼロショットのクロスボデーメント転送を可能にする2000時間のロボットフリーデータセットを構築し、一般化された現実世界操作のための高度にスケーラブルな方法論を実証する。
関連論文リスト
- Optimizing Neurorobot Policy under Limited Demonstration Data through Preference Regret [45.21845762562799]
MYOE(Master your own expertise)は、ロボットエージェントが限られた実演データサンプルから複雑な振る舞いを学習できるようにする自己シミュレーションフレームワークである。
人間の知覚と行動に触発されて、クエリ可能な混合参照状態空間モデル(QMoP-SSM)を提案し、設計する。
我々の実験は、他の最先端RLfD方式と比較して、我々のエージェントの堅牢性、適応性、およびサンプル外性能を実証した。
論文 参考訳（メタデータ） (2026-04-04T00:03:59Z) - SoftMimicGen: A Data Generation System for Scalable Robot Learning in Deformable Object Manipulation [45.71119158785489]
我々は、変形可能なオブジェクト操作タスクのための自動データ生成パイプラインであるSoftMimicGenを紹介する。
本稿では,多種多様な変形可能な物体を含む高忠実度シミュレーション環境について紹介する。
我々はSoftMimicGenを適用し、タスクスイート全体にわたってデータセットを生成し、データからハイパフォーマンスなポリシーをトレーニングし、データ生成システムを体系的に分析する。
論文 参考訳（メタデータ） (2026-03-26T17:58:40Z) - UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos [65.2981273885678]
実際のロボット遠隔操作データの収集コストのため、デクサラスな操作は依然として困難である。
我々は、ロボット中心の大規模データセットと視覚言語アクション(VLA)ポリシーを結合したロボット基盤スイートであるUniDexを紹介する。
UniDex-Dataset、UniDex-VLA、UniDex-Capは、ユニバーサルデキスタラス操作のためのスケーラブルな基盤スイートを提供する。
論文 参考訳（メタデータ） (2026-03-23T17:49:12Z) - 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) - UltraDexGrasp: Learning Universal Dexterous Grasping for Bimanual Robots with Synthetic Data [70.96218513410454]
両面ロボットを用いた普遍的デクスタラスグリップのためのフレームワークであるUltraDexGraspを紹介する。
提案したデータ生成パイプラインは、最適化に基づくグリップ合成と計画に基づくデモ生成を統合する。
我々はUltraDexGrasp-20Mに基づいて、点雲を入力とし、一方向の注意を通してシーン特徴を集約し、制御コマンドを予測する、シンプルで効果的な把握ポリシーを開発した。
論文 参考訳（メタデータ） (2026-03-05T15:54:21Z) - Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。
本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。
ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
論文 参考訳（メタデータ） (2026-03-02T17:38:58Z) - RoboPaint: From Human Demonstration to Any Robot and Any View [9.083647729839688]
本研究では,人間による実演をロボットが実行可能な環境特化学習データに変換するためのリアルタイムデータ収集とデータ編集パイプラインを提案する。
そこで本研究では,10種類のオブジェクト操作タスクに対して,デキスハンドトラジェクトリの再ターゲットが84%の成功率を達成することを示す。
複雑なデクサラス操作のために,パフォーマンス損失を最小限に抑えた,スケーラブルで費用対効果の高い遠隔操作の代替手段を提供する。
論文 参考訳（メタデータ） (2026-02-05T05:45:12Z) - XRoboToolkit: A Cross-Platform Framework for Robot Teleoperation [2.2353859695978944]
XRoboToolkitは、OpenXR標準上に構築された拡張現実ベースのロボット遠隔操作のためのクロスプラットフォームフレームワークである。
システムは低レイテンシの立体視フィードバック、最適化に基づく逆運動学、多様なトラッキングモードをサポートする。
本稿では、高精度な操作タスクによってフレームワークの有効性を実証し、堅牢な自律性能を示すVLAモデルをトレーニングすることで、データ品質を検証する。
論文 参考訳（メタデータ） (2025-07-31T18:45:13Z) - RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robust Bimanual Robotic Manipulation [52.2244588424002]
我々は,多様かつ現実的なデータの自動生成のためのスケーラブルなフレームワークであるRoboTwin 2.0を紹介する。
コアとなるRoboTwin-ODは、セマンティックおよび操作関連アノテーションを備えた147カテゴリにわたる771インスタンスのオブジェクトライブラリである。
sim-to-real転送を改善するために、RoboTwin 2.0は5つの軸に沿って構造化された領域ランダム化を適用する。
論文 参考訳（メタデータ） (2025-06-22T16:26:53Z)
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。