論文の概要: Real-IKEA: Physical Fidelity is the Prerequisite for Robust Manipulation

• arxiv url: http://arxiv.org/abs/2606.08564v1
• Date: Sun, 07 Jun 2026 10:41:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.26517
• Title: Real-IKEA: Physical Fidelity is the Prerequisite for Robust Manipulation
• Title（参考訳）: Real-IKEA:ロバスト操作に必要な物理忠実度
• Authors: Kunqi Xu, Zhenhao Huang, Siyuan Luo, Ziqiu Zeng, Fan Shi,
• Abstract要約: 物理精度を第一級目標とするデータセットおよびシミュレーションフレームワークであるReal-IKEAを提案する。 Real-IKEAは83個の認証されたIKEAハンドルと6ステップの物理的なワークフローで処理されたノブから派生した1,079個のアセット構成を提供する。 これらの結果から,Real-IKEAは人間レベルの頑健性を備えた操作ポリシー開発のための重要なベンチマークとして位置づけられた。
• 参考スコア（独自算出の注目度）: 8.765383982624437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic manipulation robustness often founders on the physics gap between simplified simulations and the resistance-laden real world. In this work, we emphasize that physical realism in articulated interaction is an important ingredient for robust policy learning. We present Real-IKEA, a dataset and simulation framework designed with physical accuracy as a first-class goal. Real-IKEA provides 1,079 articulated asset configurations, derived from 83 authentic IKEA handles and knobs processed through a meticulous six-step physical workflow. For contact-geometry accuracy, we introduce a bidirectional surface-deviation metric to quantify collision meshes. For dynamics realism, we establish resistance-calibrated configurations that vary damping and friction. Crucially, we demonstrate through a Reinforcement Learning (RL) policy that high-fidelity assets enable the discovery of robust "hooking" and "levering" strategies that prioritize mechanical advantage over fragile friction-pulling. Together, these results position Real-IKEA as a critical benchmark for developing manipulation policies capable of human-level robustness in articulated object tasks.
• Abstract（参考訳）: ロボット操作の堅牢性はしばしば、単純化されたシミュレーションと抵抗を伴わない現実世界の間の物理学的ギャップを創始する。 本研究は, 協調的相互作用における物理的現実性は, 堅牢な政策学習にとって重要な要素である,と強調する。 物理精度を第一級目標とするデータセットとシミュレーションフレームワークであるReal-IKEAを提案する。 Real-IKEAは83個の認証されたIKEAハンドルと6ステップの物理的なワークフローで処理されたノブから派生した1,079個のアセット構成を提供する。 接触幾何学の精度向上のために、衝突メッシュを定量化するための双方向表面測定基準を導入する。 動的リアリズムに対して、減衰と摩擦の異なる抵抗校正構成を確立する。 重要なことは、高忠実度資産が脆弱な摩擦推進よりも機械的優位性を優先するロバストな「ホッキング」および「上昇」戦略の発見を可能にするという強化学習(RL)政策を通じて実証する。 これらの結果と合わせて、Real-IKEAは人レベルの堅牢性を持つ操作ポリシーを開発するための重要なベンチマークとして位置づけられた。

関連論文リスト

• Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation [51.463992799813816]
  コンタクトリッチな操作における主要なボトルネックは、現実世界のデータ収集の難しさである。 物理原理に基づく効果的な触覚表現であるCenter-of-Pressureを紹介する。 我々は2つのブラインドで困難なコンタクトリッチな操作タスクについてCoPを評価する。
  論文  参考訳（メタデータ） (2026-05-27T17:59:02Z)
• Automatically Improving Simulation Physics for Articulated Objects [0.0]
  本稿では,操作中にオブジェクトを確実にシミュレートできるかどうかを特徴付けるインタラクション・レディネスを提案する。 不完全な3Dアセットから対話可能な調音オブジェクトを生成するためのシミュレーター・イン・ザ・ループ手法を提案する。
  論文  参考訳（メタデータ） (2026-05-18T21:34:33Z)
• A Mechanistic Analysis of Sim-and-Real Co-Training in Generative Robot Policies [28.828770839369536]
  コトレーニングは、限られたドメイン内の実世界データと、シミュレーションやクロス・エボディメント・ロボットデータのような豊富な代理データを組み合わせる。 実証的な成功にもかかわらず、いつ、なぜコトレーニングが効果的かを決定するメカニズムはいまだに理解されていない。
  論文  参考訳（メタデータ） (2026-04-15T09:14:43Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Residual Physics Learning and System Identification for Sim-to-real Transfer of Policies on Buoyancy Assisted Legged Robots [14.760426243769308]
  本研究では,BALLUロボットのシステム識別による制御ポリシのロバストなシミュレートを実演する。 標準的な教師あり学習の定式化に頼るのではなく、深層強化学習を利用して外部力政策を訓練する。 シミュレーショントラジェクトリと実世界のトラジェクトリを比較することで,改良されたシミュレーション忠実度を解析する。
  論文  参考訳（メタデータ） (2023-03-16T18:49:05Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Gaining a Sense of Touch. Physical Parameters Estimation using a Soft Gripper and Neural Networks [3.0892724364965005]
  ロボットグリップを用いた物体との直接相互作用の測定における深層学習アルゴリズムを用いた物理パラメータ推定に関する十分な研究はない。 本研究では、剛性係数の回帰をトレーニング可能なシステムを提案し、物理シミュレータ環境を用いて広範な実験を行った。 本システムでは,Yale OpenHandソフトグリップを用いて,指に装着した慣性測定ユニット(IMU)の読み値に基づいて,物体の硬さを確実に推定することができる。
  論文  参考訳（メタデータ） (2020-03-02T11:56:14Z)

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。