論文の概要: Leveraging VR Robot Games to Facilitate Data Collection for Embodied Intelligence Tasks

• arxiv url: http://arxiv.org/abs/2604.16903v1
• Date: Sat, 18 Apr 2026 08:26:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.22694
• Title: Leveraging VR Robot Games to Facilitate Data Collection for Embodied Intelligence Tasks
• Title（参考訳）: VRロボットゲームを活用した身体的知能タスクのためのデータ収集
• Authors: Yihan Zhang, Ziyun Huang, Linqi Ye,
• Abstract要約: プロシージャシーン生成,VRベースのヒューマノイドロボット制御,自動タスク評価,トラジェクトリロギングを組み合わせた,Unityに基づくゲーミフィケーションデータ収集フレームワークを提案する。 提案フレームワークは,ゲーム指向の仮想環境が,エボダイドデータ収集の効率的かつ効率的なソリューションであることを示す。
• 参考スコア（独自算出の注目度）: 13.741782197410691
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collecting embodied interaction data at scale remains costly and difficult due to the limited accessibility of conventional interfaces. We present a gamified data collection framework based on Unity that combines procedural scene generation, VR-based humanoid robot control, automatic task evaluation, and trajectory logging. A trash pick-and-place task prototype is developed to validate the full workflow.Experimental results indicate that the collected demonstrations exhibit broad coverage of the state-action space, and that increasing task difficulty leads to higher motion intensity as well as more extensive exploration of the arm's workspace. The proposed framework demonstrates that game-oriented virtual environments can serve as an effective and extensible solution for embodied data collection.
• Abstract（参考訳）: 実装されたインタラクションデータを大規模に収集することは、従来のインタフェースのアクセス性に制限があるため、コストがかかり難いままである。 プロシージャシーン生成,VRベースのヒューマノイドロボット制御,自動タスク評価,トラジェクトリロギングを組み合わせた,Unityに基づくゲーミフィケーションデータ収集フレームワークを提案する。 実験結果から, 収集した実験結果から, 作業の困難度が増大すると, 運動強度が向上し, 腕の作業空間がより広範囲に探索されることがわかった。 提案フレームワークは,ゲーム指向の仮想環境を具体化データ収集のための有効かつ拡張可能なソリューションとして機能することを示す。

関連論文リスト

• 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)
• RoboCade: Gamifying Robot Data Collection [24.3499633171607]
  人間のデモンストレーションからの模倣学習は、自律型ロボットポリシーのトレーニングにおいて支配的なアプローチとなっている。 我々は、ゲーミフィケーションされたデータ収集体験において、幅広いオーディエンスを巻き込むことで、このスケーラビリティの課題に対処することを目指している。 具体的には,データ収集に一般ユーザを巻き込むため,ゲーム化された遠隔遠隔操作プラットフォームであるRoboCadeを開発した。
  論文  参考訳（メタデータ） (2025-12-24T15:20:54Z)
• FieldGen: From Teleoperated Pre-Manipulation Trajectories to Field-Guided Data Generation [60.28409233931666]
  FieldGenは、スケーラブルで多様な、高品質な実世界のデータ収集を可能にする、フィールド誘導型データ生成フレームワークである。 実験により、FieldGenでトレーニングされたポリシーは、遠隔操作ベースのベースラインと比較して、より高い成功率と安定性を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-23T17:47:12Z)
• R2RGEN: Real-to-Real 3D Data Generation for Spatially Generalized Manipulation [74.41728218960465]
  本稿では,実世界のデータを生成するために,ポイントクラウド観測-アクションペアを直接拡張するリアルタイム3Dデータ生成フレームワーク(R2RGen)を提案する。 R2RGenは、広範な実験におけるデータの効率を大幅に向上させ、モバイル操作におけるスケーリングと応用の強い可能性を示す。
  論文  参考訳（メタデータ） (2025-10-09T17:55:44Z)
• 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)
• A Toolkit for Virtual Reality Data Collection [12.660959713097014]
  広汎なVRデータセットの取得を容易にする汎用データ収集ツールキットを提案する。 ツールキットは、直接OpenXR経由で、または仮想デバイス経由で、任意のデバイスとシームレスに統合します。
  論文  参考訳（メタデータ） (2024-12-23T11:39:26Z)
• VITAL: Interactive Few-Shot Imitation Learning via Visual Human-in-the-Loop Corrections [10.49712834719005]
  イミテーション・ラーニング(IL)はロボット工学において強力なアプローチとして登場し、ロボットは人間の行動を模倣することで新しいスキルを身につけることができる。 その可能性にもかかわらず、ILのデータ収集プロセスは、ロジスティックな困難と高品質なデモンストレーションの獲得に伴う高コストのため、依然として重要な課題である。 本稿では,シミュレーションにおけるデータ拡張を通じて,少数の実演から大規模データ生成を提案する。
  論文  参考訳（メタデータ） (2024-07-30T23:29:47Z)
• Realistic Full-Body Tracking from Sparse Observations via Joint-Level Modeling [13.284947022380404]
  頭部と手の3つの追跡信号だけで、正確でスムーズな全身運動を得ることができる2段階のフレームワークを提案する。 本フレームワークは,第1段階の関節レベル特徴を明示的にモデル化し,第2段階の関節レベル相関を捉えるために,空間的および時間的トランスフォーマーブロックの交互化に時間的トークンとして利用する。 AMASSモーションデータセットと実捕集データに関する広範な実験により,提案手法は既存の手法と比較して,より正確で滑らかな動きを実現することができることを示す。
  論文  参考訳（メタデータ） (2023-08-17T08:27:55Z)
• Batch Exploration with Examples for Scalable Robotic Reinforcement Learning [63.552788688544254]
  BEE(Batch Exploration with Examples)は、重要状態の画像の少ない数の人間がガイドする状態空間の関連領域を探索する。 BEEは、シミュレーションと本物のフランカロボットの両方で、視覚ベースの操作に挑戦することができる。
  論文  参考訳（メタデータ） (2020-10-22T17:49:25Z)
• Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
  ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。 現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。 本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:15:35Z)

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。