論文の概要: PhyRoGen: Synthetic Generation of Physical Robot Manipulation Puzzles Using Procedural Content Generation
- arxiv url: http://arxiv.org/abs/2606.06569v1
- Date: Thu, 04 Jun 2026 17:48:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.381585
- Title: PhyRoGen: Synthetic Generation of Physical Robot Manipulation Puzzles Using Procedural Content Generation
- Title（参考訳）: PhyRoGen: 手続き的コンテンツ生成を用いた物理ロボットマニピュレーションパズルの合成生成
- Authors: Lennart Julian Droß, Andreas Orthey, Marc Toussaint,
- Abstract要約: 操作パズルの合成データセットの自動生成のための物理ロボットマニピュレーションパズル生成フレームワーク(PhyRoGen)を提案する。
ベンチマークフレームワークを使用することで、サンプリングベースの計画アルゴリズムを用いて、1～300秒で全てのパズルを解くことができる。
このことは、我々のフレームワークが独自の解決可能なロボット操作パズルを手続き的に生成できることを示している。
- 参考スコア（独自算出の注目度）: 12.091531312863017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robot manipulation of physical puzzles is important for automatic assembly and disassembly tasks. However, to enable robots to solve physical puzzles, manipulation skills need to be learned, which requires large training datasets, the generation of which is often time consuming and tedious. To overcome this problem, we propose the Physical Robot Manipulation Puzzle Generation framework (PhyRoGen), which leverages procedural content generation (PCG) for automated generation of synthetic datasets of manipulation puzzles. PhyRoGen is a general-purpose puzzle generator, which can generate physical puzzles with interlocking object dependencies, where one articulated object must be manipulated before another can be moved. Based upon PhyRoGen, we define six concrete generators which we use to generate 24 physical puzzles. By using a benchmarking framework, we are able to solve all puzzles in 1 to 300 seconds using sampling-based planning algorithms. Finally, we demonstrate that every generated puzzle is manipulatable by using a KUKA LBR iiwa robot in a physical simulation. This shows that our framework is able to procedurally generate unique, solvable robot manipulation puzzles, which is a crucial ingredient to benchmark manipulation algorithms and to develop robust foundation models.
- Abstract（参考訳）: 物理パズルのロボット操作は,自動組立および分解作業において重要である。
しかし、ロボットが物理的なパズルを解くためには、大規模なトレーニングデータセットを必要とする操作スキルを学ぶ必要がある。
この問題を解決するために,手続き的コンテンツ生成(PCG)を活用し,操作パズルの合成データセットの自動生成を行う物理ロボットマニピュレーションパズル生成フレームワーク(PhyRoGen)を提案する。
PhyRoGenは汎用的なパズル生成ツールで、オブジェクトの依存関係をインターロックする物理パズルを生成することができる。
PhyRoGenに基づいて、24個の物理パズルを生成するために使用する6つのコンクリートジェネレータを定義する。
ベンチマークフレームワークを使用することで、サンプリングベースの計画アルゴリズムを用いて、1～300秒で全てのパズルを解くことができる。
最後に,KUKA LBR いわロボットを物理シミュレーションに用いて,生成した全てのパズルが操作可能であることを示す。
このことから,我々のフレームワークは,アルゴリズムをベンチマークし,堅牢な基礎モデルを構築する上で重要な要素である,独特で解決可能なロボット操作パズルを手続き的に生成できることが示唆された。
関連論文リスト
- QDTraj: Exploration of Diverse Trajectory Primitives for Articulated Objects Robotic Manipulation [2.7261369763665377]
本稿では,ロボットが広い範囲の明瞭な物体を操作できるようにする手法を提案する。
我々は,ロボットの低レベル軌道プリミティブを自動生成し,与えられた物体の調音を操作できる。
QDTrajはヒンジとスライダのアクティベーションタスクの少なくとも5倍の多様な軌道を生成する。
論文 参考訳（メタデータ） (2026-04-24T13:45:04Z) - Learning to Grasp Anything by Playing with Random Toys [65.47078295823074]
ロボットはランダムに組み立てられた物体を用いて、一般化可能な把握を学習できることを示す。
この一般化の鍵は、提案した検出プーリング機構によって誘導されるオブジェクト中心の視覚表現である。
この研究は、ロボット操作におけるスケーラブルで汎用的な学習への、有望な道のりを提供する、と私たちは信じています。
論文 参考訳（メタデータ） (2025-10-14T17:56:10Z) - ManiFoundation Model for General-Purpose Robotic Manipulation of Contact Synthesis with Arbitrary Objects and Robots [24.035706461949715]
汎用ロボットが幅広い操作タスクをこなせるようなモデルを開発する必要がある。
本研究は,汎用ロボット操作の基礎モデルを構築するための包括的枠組みを導入する。
私たちのモデルは、平均的な成功率を約90%達成します。
論文 参考訳（メタデータ） (2024-05-11T09:18:37Z) - HumanoidBench: Simulated Humanoid Benchmark for Whole-Body Locomotion and Manipulation [50.616995671367704]
そこで本研究では,人型ロボットが器用な手を備えた,高次元シミュレーション型ロボット学習ベンチマークHumanoidBenchを提案する。
その結果,現在最先端の強化学習アルゴリズムがほとんどのタスクに支障をきたすのに対して,階層的学習アプローチはロバストな低レベルポリシーに支えられた場合,優れた性能を達成できることがわかった。
論文 参考訳（メタデータ） (2024-03-15T17:45:44Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳（メタデータ） (2024-02-22T15:12:00Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳（メタデータ） (2023-06-16T17:58:10Z) - RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects
with Graph Networks [32.00371492516123]
弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。
我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。
実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
論文 参考訳（メタデータ） (2022-05-05T20:28:15Z) - Learning to Fold Real Garments with One Arm: A Case Study in Cloud-Based
Robotics Research [21.200764836237497]
物理ハードウェア上でのファブリック操作アルゴリズムのシステマティックなベンチマークを行う。
専門家の行動、キーポイント、報酬関数、動的動きをモデル化する4つの新しい学習ベースアルゴリズムを開発した。
データ収集、モデルトレーニング、およびポリシー評価のライフサイクル全体は、ロボットワークセルへの物理的アクセスなしに遠隔で実行される。
論文 参考訳（メタデータ） (2022-04-21T17:31:20Z) - V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated
Objects [51.79035249464852]
本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。
本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
論文 参考訳（メタデータ） (2021-11-07T02:31:09Z)
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。