論文の概要: An Embodied Simulation Platform, Benchmark, and Data-Efficient Augmentation Framework for Wet-Lab Robotics

• arxiv url: http://arxiv.org/abs/2606.12936v1
• Date: Thu, 11 Jun 2026 05:58:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.608885
• Title: An Embodied Simulation Platform, Benchmark, and Data-Efficient Augmentation Framework for Wet-Lab Robotics
• Title（参考訳）: ウェットラボロボットのための身体シミュレーションプラットフォーム、ベンチマークおよびデータ効率向上フレームワーク
• Authors: Zhe Liu, Huanbo Jin, Zhaohui Du, Zhe Wang, He Xu, Peijia Li, Jiaming Gu, Quan Lu, Qi Wang, Bin Ji, Ting Xiao,
• Abstract要約: Pipetteは、ウェットラブロボット学習のためのシミュレーションプラットフォーム、ベンチマーク、フレームワークである。 重要なコンポーネントはシミュレーションベースのデータ拡張パイプラインで、シミュレーションで人間のデモを再生する。 ACTは平均成功率65.5%、SmolVLAは44.1%から74.7%に向上する。
• 参考スコア（独自算出の注目度）: 21.29219496385208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wet-lab robots can improve the reproducibility, throughput, and safety of biomedical experiments, but scaling their learning requires customizable simulators for safe and reproducible task generation, open editable laboratory assets, and efficient pipelines that turn limited demonstrations into usable training data. We present Pipette, an embodied simulation platform, benchmark, and data-efficient augmentation framework for wet-lab robot learning. Pipette releases over 43 open-source and re-editable wet-lab assets, together with an extensible asset-building pipeline. A key component of Pipette is its simulation-based data augmentation pipeline, replaying human demonstrations in simulation, applies lighting, camera, speed, and action perturbations, and filters generated episodes with automatic task success checks, rapidly expanding usable training data from limited manual demonstrations. We further introduce an 11-task wet-lab embodied benchmark covering sample handling, culture-ware manipulation, device operation, and precision placement. With only 30 demonstrations per task, ACT achieves 65.5% average success rate, while simulation augmentation improves SmolVLA from 44.1% to 74.7% and π0 from 40.4% to 46.5%, validating the effectiveness of Pipette for data-efficient VLA training and evaluation. Pipette also supports natural-language-driven scene construction and task registration, lowering the barrier for non-expert users to define new wet-lab robotic tasks.
• Abstract（参考訳）: ウェットラブロボットは、生物医学実験の再現性、スループット、安全性を向上させることができるが、その学習をスケールするには、安全で再現可能なタスク生成、編集可能な実験室資産、限られたデモンストレーションを使用可能なトレーニングデータに変換する効率的なパイプラインなど、カスタマイズ可能なシミュレータが必要である。 我々は,ウェットラブロボット学習のためのシミュレーションプラットフォーム,ベンチマーク,データ効率向上フレームワークであるPipetteを紹介する。 Pipetteは43以上のオープンソースおよび再編集可能なウェットラブ資産と拡張可能なアセット構築パイプラインをリリースしている。 Pipetteの重要なコンポーネントは、シミュレーションベースのデータ拡張パイプラインで、シミュレーションで人間のデモを再現し、照明、カメラ、スピード、アクションの摂動を適用し、自動タスク成功チェックで生成されたエピソードをフィルタリングし、限られた手動のデモンストレーションから使用可能なトレーニングデータを迅速に拡張する。 さらに、サンプルハンドリング、カルチャーウェア操作、デバイス操作、精密配置をカバーした11タスクのウェットラブエンボディドベンチマークを導入する。 ACTは1タスクあたり30回のデモで65.5%の平均成功率を達成する一方、シミュレーションの強化によりSmolVLAは44.1%から74.7%に改善され、π0は40.4%から46.5%に改善され、データ効率のよいVLAトレーニングと評価にピペットの有効性が検証された。 Pipetteはまた、自然言語によるシーン構築とタスク登録をサポートしており、非専門家のユーザーが新しいウェットラブロボットタスクを定義する障壁を低くしている。

関連論文リスト

• RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
  ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。 RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。 従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-11T10:14:37Z)
• Data-Centric Visual Development for Self-Driving Labs [11.559239027724884]
  われわれはSDLにおいて最も重要かつ精度の高い行動であるピッティングに焦点をあてる。 私たちは、実際のデータ生成と仮想データ生成を融合するハイブリッドパイプラインを構築しています。 保持された実際のテストセットでは、自動取得された実画像に基づいて完全に訓練されたモデルが99.6%の精度に達する。
  論文  参考訳（メタデータ） (2025-12-01T18:59:57Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)
• JUICER: Data-Efficient Imitation Learning for Robotic Assembly [21.43402768760014]
  本稿では,人体実験予算を小さくすることで,模擬学習性能を向上させるパイプラインを提案する。 我々のパイプラインは、表現力のあるポリシーアーキテクチャと、データセットの拡張とシミュレーションベースのデータ拡張のための様々な技術を組み合わせています。 シミュレーションで4つの家具組立タスクのパイプラインを実演し、2500近い時間ステップで最大5つの部品をマニピュレータで組み立てます。
  論文  参考訳（メタデータ） (2024-04-04T18:00:15Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)

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。