論文の概要: EgoLive: A Large-Scale Egocentric Dataset from Real-World Human Tasks
- arxiv url: http://arxiv.org/abs/2604.23570v1
- Date: Sun, 26 Apr 2026 07:21:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.437146
- Title: EgoLive: A Large-Scale Egocentric Dataset from Real-World Human Tasks
- Title（参考訳）: EgoLive: 現実世界のヒューマンタスクから得られる大規模エゴセントリックなデータセット
- Abstract要約: EgoLiveは、実際のタスク指向の人間ルーチンに焦点を当てた、オープンソースのアノテートエゴセントリックデータセットとしては最大である。
カスタマイズされたヘッドマウントキャプチャデバイスと、包括的な高精度なマルチモーダルアノテーションを通じて、リードデータ品質を提供する。
すべてのデータは、制約のない現実世界のシナリオでのみ収集され、ホームサービス、小売、その他の実用的な作業シナリオを含む、垂直フィールドの人間の作業データを含む。
- 参考スコア（独自算出の注目度）: 41.23218228921582
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advancement of robot learning is currently hindered by the scarcity of large-scale, high-quality datasets. While established data collection methods such as teleoperation and universal manipulation interfaces dominate current datasets, they suffer from inherent limitations in scalability and real-world deployability. Human egocentric video collection, by contrast, has emerged as a promising approach to enable scalable, natural and in-the-wild data collection. As such, we present EgoLive, a large-scale, high-quality egocentric dataset designed explicitly for robot manipulation learning. EgoLive establishes three distinctive technical advantages over existing egocentric datasets: first, it represents the largest open-source annotated egocentric dataset focused on real-world task-oriented human routines to date; second, it delivers leading data quality via a customized head-mounted capture device and comprehensive high-precision multi-modal annotations; third, all data is collected exclusively in unconstrained real-world scenarios and encompasses vertical field human working data, including home service, retail, and other practical work scenarios, providing superior diversity and ecological validity. With the introduction of EgoLive, we aim to provide the research community with a scalable, high-quality dataset that accelerates breakthroughs in generalizable robotic models and facilitates the real-world deployment of robot systems.
- Abstract（参考訳）: ロボット学習の進歩は、現在、大規模で高品質なデータセットの不足によって妨げられている。
遠隔操作やユニバーサル操作インターフェースといった確立したデータ収集手法が現在のデータセットを支配している一方で、スケーラビリティと実際のデプロイ可能性に固有の制限が課されている。
対照的に、人間中心のビデオコレクションは、スケーラブルで、自然で、そして、ワイルドなデータコレクションを実現するための、有望なアプローチとして現れました。
そこで我々は,ロボット操作学習のための大規模で高品質なエゴセントリックなデータセットであるEgoLiveを紹介した。
EgoLiveは、既存のエゴセントリックなデータセットに対して、3つの技術的優位性を確立している。1つは、オープンソースのアノテートされたエゴセントリックなデータセットで、現在までに現実世界のタスク指向の人間のルーチンに焦点を当てている。
EgoLiveの導入により、我々は、汎用ロボットモデルのブレークスルーを加速し、ロボットシステムの現実的な展開を促進する、スケーラブルで高品質なデータセットを研究コミュニティに提供することを目指している。
関連論文リスト
- HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining [93.5192770515694]
Embodied foundation modelは、大きな言語モデルのようなデータスケーリングの恩恵を受けることが期待されているが、より厳密なデータボトルネックに直面している。
遠隔操作された実ロボット軌道は、正確な行動監督と実施の整合性のために、訓練前の主流の源である。
エゴセントリックなデータに基づいて事前訓練された基礎モデルは、実ロボットアクション予測において24%低い検証損失を達成する。
論文 参考訳（メタデータ） (2026-06-18T17:37:34Z) - EgoVerse: An Egocentric Human Dataset for Robot Learning from Around the World [63.2070298441355]
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。
論文 参考訳（メタデータ） (2026-04-08T21:27:06Z) - $Ψ_0$: 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) - AoE: Always-on Egocentric Human Video Collection for Embodied AI [44.083451969789216]
ファンデーションモデルは、事前トレーニングとスケーリングのために、大規模で高品質な現実世界のインタラクションデータを必要とする。
我々は,人間とスマートフォンを活用したハードウェア依存の簡易化を目的とした,Always-on Egocentric (AoE)データ収集システムを提案する。
論文 参考訳（メタデータ） (2026-02-27T10:41:49Z) - 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) - 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) - 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) - EgoBridge: Domain Adaptation for Generalizable Imitation from Egocentric Human Data [18.635934496561365]
EgoBridgeは、ポリシーの潜在空間を、ドメイン適応を使って人間とロボットのデータに合わせることを目指している。
人体横断ベースラインよりも44%の大幅な絶対的な政策成功率向上を実現している。
論文 参考訳（メタデータ） (2025-09-23T22:34:47Z) - AgiBot World Colosseo: A Large-scale Manipulation Platform for Scalable and Intelligent Embodied Systems [88.05152114775498]
AgiBot Worldは、217のタスクにまたがる100万以上のトラジェクトリを5つのデプロイメントシナリオで構成した大規模なプラットフォームである。
AgiBot Worldは高品質で多様なデータ配信を保証する。
GO-1は、現実世界のデクスタラスタスクや長距離タスクにおいて例外的な能力を示す。
論文 参考訳（メタデータ） (2025-03-09T15:40:29Z) - Semantically Controllable Augmentations for Generalizable Robot Learning [40.89398799604755]
ロボット操作の現実に見えないシナリオへの一般化には、トレーニング中にさまざまなデータセットを公開する必要がある。
本稿では,意味制御可能な拡張とロボットデータセットの高速乗算のための生成的拡張フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-02T05:25:34Z)
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。