論文の概要: Lucid-XR: An Extended-Reality Data Engine for Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2605.00244v1
- Date: Thu, 30 Apr 2026 21:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.7619
- Title: Lucid-XR: An Extended-Reality Data Engine for Robotic Manipulation
- Title（参考訳）: Lucid-XR:ロボットマニピュレーションのための拡張現実データエンジン
- Authors: Yajvan Ravan, Adam Rashid, Alan Yu, Kai McClennen, Gio Huh, Kevin Yang, Zhutian Yang, Qinxi Yu, Xiaolong Wang, Phillip Isola, Ge Yang,
- Abstract要約: 我々は,多様で現実的なマルチモーダルデータを生成するための生成データエンジンであるLucid-XRを紹介する。
Lucid-XRのコアとなるのは、Webベースの物理シミュレーション環境であるvuerだ。
ロボットの視覚ポリシーのゼロショット移動を、見えない、散らばった、ひどい評価環境に示す。
- 参考スコア（独自算出の注目度）: 31.804311617125247
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Lucid-XR, a generative data engine for creating diverse and realistic-looking multi-modal data to train real-world robotic systems. At the core of Lucid-XR is vuer, a web-based physics simulation environment that runs directly on the XR headset, enabling internet-scale access to immersive, latency-free virtual interactions without requiring specialized equipment. The complete system integrates on-device physics simulation with human-to-robot pose retargeting. Data collected is further amplified by a physics-guided video generation pipeline steerable via natural language specifications. We demonstrate zero-shot transfer of robot visual policies to unseen, cluttered, and badly lit evaluation environments, after training entirely on Lucid-XR's synthetic data. We include examples across dexterous manipulation tasks that involve soft materials, loosely bound particles, and rigid body contact. Project website: https://lucidxr.github.io
- Abstract（参考訳）: 我々は、現実世界のロボットシステムを訓練するために、多様で現実的なマルチモーダルデータを作成するための生成データエンジンであるLucid-XRを紹介した。
Lucid-XRのコアとなるのは、Webベースの物理シミュレーション環境であるvuerで、XRヘッドセット上で直接動作する。
完全なシステムはデバイス上の物理シミュレーションと人間とロボットのポーズの再ターゲティングを統合している。
収集されたデータは、自然言語仕様を介して制御可能な物理誘導ビデオ生成パイプラインによってさらに増幅される。
我々は、Lucid-XRの合成データを完全にトレーニングした後、見えない、散らばった、ひどい評価環境へのロボット視覚ポリシーのゼロショット転送を実証した。
柔らかい材料、ゆるく束縛された粒子、剛体接触を含む、巧妙な操作作業の例を含む。
プロジェクトウェブサイト:https://lucidxr.github.io
関連論文リスト
- Generative Simulation for Policy Learning in Physical Human-Robot Interaction [11.978357519356537]
多様なpHRIシナリオを自動的に合成するゼロショット「text2sim2real」生成シミュレーションフレームワークを提案する。
我々はこのフレームワークを利用して、大規模合成デモデータセットを自律的に収集する。
学習方針はゼロショット・シム・トゥ・リアル・トランスファーの実現に成功し、成功率は80%を超えました。
論文 参考訳（メタデータ） (2026-04-09T18:00:05Z) - TwinAligner: Visual-Dynamic Alignment Empowers Physics-aware Real2Sim2Real for Robotic Manipulation [24.782400753476068]
本稿では,視覚的ギャップと動的ギャップに対処する新しいReal2Sim2RealシステムであるTwinAlignerを紹介する。
ビジュアルアライメントモジュールは、SDF再構成と編集可能な3DGSレンダリングによってピクセルレベルのアライメントを実現する。
動的アライメントモジュールは、ロボットと物体の相互作用から剛体物理学を識別することで整合性を確保する。
論文 参考訳（メタデータ） (2025-12-22T13:38:11Z) - GaussGym: An open-source real-to-sim framework for learning locomotion from pixels [78.05453137978132]
本稿では,3次元ガウススプラッティングをベクトル化物理シミュレータのドロップインとして統合した光現実的ロボットシミュレーションを提案する。
これにより、コンシューマGPUで毎秒10万ステップを超える、前例のないスピードを実現している。
また,シミュレーティブ・トゥ・リアル・ロボティクス・セッティングにおける適用性を実証した。
論文 参考訳（メタデータ） (2025-10-17T06:34:52Z) - RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。
3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。
我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
論文 参考訳（メタデータ） (2025-06-28T05:03:31Z) - RoboGSim: A Real2Sim2Real Robotic Gaussian Splatting Simulator [27.04267700576422]
RoboGSimは、3D Gaussian Splattingと物理エンジンを搭載した2sim2realのロボットシミュレーターだ。
シミュレーションされたデータを、新しいビュー、オブジェクト、軌跡、シーンで合成することができる。
我々は,RoboGSimと実際のロボットプラットフォーム上でのRoboGSimデータと実ロボットデータの比較を行った。
論文 参考訳（メタデータ） (2024-11-18T18:58:03Z) - Learning Interactive Real-World Simulators [96.5991333400566]
生成モデルを用いて実世界の相互作用の普遍的なシミュレータを学習する可能性について検討する。
シミュレーターを用いて、高レベルな視覚言語ポリシーと低レベルな強化学習ポリシーの両方を訓練する。
ビデオキャプションモデルは、シミュレートされた経験を持つトレーニングの恩恵を受けることができる。
論文 参考訳（メタデータ） (2023-10-09T19:42:22Z) - Learning from synthetic data generated with GRADE [0.6982738885923204]
本稿では,ロボット工学研究のための現実的なアニメーション動的環境(GRADE)を作成するためのフレームワークを提案する。
GRADEは、完全なシミュレーション制御、ROS統合、現実物理学をサポートし、高い視覚的忠実度画像と地上真実データを生成するエンジン内にある。
合成データのみを用いてトレーニングしても、同一のアプリケーション領域における実世界の画像によく当てはまることを示す。
論文 参考訳（メタデータ） (2023-05-07T14:13:04Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z)
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。