論文の概要: JoyAI-RA 0.1: A Foundation Model for Robotic Autonomy

• arxiv url: http://arxiv.org/abs/2604.20100v1
• Date: Wed, 22 Apr 2026 01:51:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.910948
• Title: JoyAI-RA 0.1: A Foundation Model for Robotic Autonomy
• Title（参考訳）: JoyAI-RA 0.1:ロボットオートノミーの基礎モデル
• Authors: Tianle Zhang, Zhihao Yuan, Dafeng Chi, Peidong Liu, Dongwei Li, Kejun Hu, Likui Zhang, Junnan Nie, Ziming Wei, Zengjue Chen, Yili Tang, Jiayi Li, Zhiyuan Xiang, Mingyang Li, Tianci Luo, Hanwen Wan, Ao Li, Linbo Zhai, Zhihao Zhan, Yuzheng Zhuang, Liang Lin, Xiaodong Bai, Jiakun Cai, Peng Cao, Kangliang Chen, Siang Chen, Yixiang Dai, Shuai Di, Nan Duan, Yicheng Gong, Chenguang Gui, Yucheng Guo, Peng Hao, Qingrong He, Haoyang Huang, Kunrui Huang, Zhixuan Huang, Shibo Jin, Yixiang Jin, Anson Li, Dongjiang Li, Jiawei Li, Ruodai Li, Yihang Li, Yuzhen Li, Jiaming Liang, Fangsheng Liu, Jing Long, Mingxi Luo, Xing Pan, Hui Shen, Xiaomeng Tian, Daming Wang, Song Wang, Junwu Xiong, Hang Xu, Wanting Xu, Zhengcheng Yu, He Zhang, Jiyao Zhang, Lin Zhao, Chen Zhou,
• Abstract要約: JoyAI-RAは、汎用的なロボット操作に適した、視覚言語対応の基盤モデルである。 JoyAI-RAは、特に人間の操作とロボット制御の間において、具体化のギャップを埋める。 シミュレーションと実世界のベンチマークの両方で最先端の手法よりも優れています。
• 参考スコア（独自算出の注目度）: 90.77129709149574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic autonomy in open-world environments is fundamentally limited by insufficient data diversity and poor cross-embodiment generalization. Existing robotic datasets are often limited in scale and task coverage, while relatively large differences across robot embodiments impede effective behavior knowledge transfer. To address these challenges, we propose JoyAI-RA, a vision-language-action (VLA) embodied foundation model tailored for generalizable robotic manipulation. JoyAI-RA presents a multi-source multi-level pretraining framework that integrates web data, large-scale egocentric human manipulation videos, simulation-generated trajectories, and real-robot data. Through training on heterogeneous multi-source data with explicit action-space unification, JoyAI-RA effectively bridges embodiment gaps, particularly between human manipulation and robotic control, thereby enhancing cross-embodiment behavior learning. JoyAI-RA outperforms state-of-the-art methods in both simulation and real-world benchmarks, especially on diverse tasks with generalization demands.
• Abstract（参考訳）: オープンワールド環境におけるロボットの自律性は、データ多様性の欠如とクロス・エボディメントの一般化の欠如によって根本的に制限されている。 既存のロボットデータセットは、スケールやタスクのカバレッジに制限されることが多いが、ロボットの体格間での比較的大きな違いは、効果的な行動知識の伝達を妨げる。 これらの課題に対処するために,汎用ロボット操作に適した視覚言語アクション(VLA)を具現化した基礎モデルであるJoyAI-RAを提案する。 JoyAI-RAは、Webデータ、大規模な人間操作ビデオ、シミュレーション生成トラジェクトリ、実ロボットデータを統合するマルチソースのマルチレベル事前トレーニングフレームワークを提供する。 JoyAI-RAは、異種多元データと明示的な行動空間の統合によるトレーニングを通じて、特に人間の操作とロボット制御の間において、エボデーメントギャップを効果的に橋渡しし、クロスボデーメント行動学習を強化する。 JoyAI-RAは、シミュレーションと実世界のベンチマークにおいて、特に一般化要求のある様々なタスクにおいて、最先端の手法よりも優れている。

関連論文リスト

• RoboGene: Boosting VLA Pre-training via Diversity-Driven Agentic Framework for Real-World Task Generation [37.52152452548065]
  RoboGeneは多様な物理的に可能な操作タスクを生成するために設計されたエージェントフレームワークである。 広範に定量的な分析と大規模な実世界の実験を行い、18k軌道のデータセットを収集した。 結果は、RoboGeneが最先端の基礎モデルよりも大幅に優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-18T13:29:43Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• H-RDT: Human Manipulation Enhanced Bimanual Robotic Manipulation [27.585828712261232]
  H-RDT(Human to Robotics Diffusion Transformer)は、人間の操作データを利用してロボット操作能力を向上する新しいアプローチである。 私たちの重要な洞察は、大規模なエゴセントリックな人間操作ビデオとペアの3Dハンドポーズアノテーションが、自然な操作戦略を捉えたリッチな行動優先を提供するということです。 本研究では,(1)大規模な人間操作データに対する事前トレーニング,(2)モジュール型アクションエンコーダとデコーダを用いたロボット固有のデータに対するクロスエボディメント微調整という2段階の訓練パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-07-31T13:06:59Z)
• Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation [49.03165169369552]
  さまざまな種類のロボットにまたがって単一のポリシーを訓練することによって、ロボット学習はより広範囲で多様なデータセットを活用することができる。 そこで我々はCrossFormerを提案する。CrossFormerはスケーラブルでフレキシブルなトランスフォーマーベースのポリシーで、どんな実施形態からでもデータを消費できる。 我々は、同じネットワークウェイトがシングルアームとデュアルアームの操作システム、車輪付きロボット、クワッドコプター、四足歩行など、非常に異なるロボットを制御できることを実証した。
  論文  参考訳（メタデータ） (2024-08-21T17:57:51Z)
• Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
  インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。 提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。 デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
  論文  参考訳（メタデータ） (2023-06-09T07:22:12Z)

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。