論文の概要: Data Standards for Humanoid Robotics: The Missing Infrastructure for Physical AI

• arxiv url: http://arxiv.org/abs/2606.19769v1
• Date: Thu, 18 Jun 2026 04:10:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.640964
• Title: Data Standards for Humanoid Robotics: The Missing Infrastructure for Physical AI
• Title（参考訳）: ヒューマノイドロボットのデータ標準:物理AIの欠落基盤
• Authors: Shaoshan Liu, Xiugong Qin, Xuan Wu, Xuan Xia, Ning Ding, Jialu Liu, Jie Tang,
• Abstract要約: 我々は、データ標準が物理AIの基礎的な基盤になりつつあると論じる。 AIが画面から体へと移動するにつれて、データ標準は、デジタル情報の編成から物理的相互作用の構造化へと進化しなければなりません。
• 参考スコア（独自算出の注目度）: 24.21963728682223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The scalability of humanoid robots will depend not only on models and hardware, but also on whether physical experience can accumulate across robots, tasks, organizations, and time. Drawing on the authors' work in developing ISO/WD 26264-1, Humanoid robot datasets -- Part 1: General requirements, within ISO/TC 299/WG 16, this article argues that data standards are becoming foundational infrastructure for Physical AI. We develop three insights. First, humanoid robot data is embodied interaction data, not a collection of isolated digital samples; a useful dataset must preserve the relationship among robot body, action, task, scene, execution trace, and outcome. Second, its value depends on physical coherence: multimodal streams are reusable only when timing, coordinate frames, calibration, kinematics, units, and synchronization assumptions remain inspectable. Third, the main bottleneck is not only data scarcity, but non-cumulative data caused by high collection costs, data silos, and inconsistent evaluation. We argue that humanoid robot data standards address these bottlenecks by making embodied experience interpretable, shareable, traceable, and reusable. A general standard should provide horizontal infrastructure for lifecycle management, metadata, provenance, quality, versioning, and traceability, while capability-specific parts should define domain grammar for manipulation, locomotion, human-robot interaction, cognition, and future humanoid capabilities. As AI moves from screens into bodies, data standards must evolve from organizing digital information to structuring physical interaction.
• Abstract（参考訳）: ヒューマノイドロボットのスケーラビリティは、モデルやハードウェアだけでなく、物理的体験がロボット、タスク、組織、時間にわたって蓄積できるかどうかにも依存する。 ISO/WD 26264-1、Humanoid Robot Datas -- Part 1: ISO/TC 299/WG 16における一般的な要件として、本記事では、物理AIの基盤となるデータ標準について論じる。 私たちは3つの洞察を生み出します。 まず、ヒューマノイドロボットデータは、孤立したデジタルサンプルの集合ではなく、相互作用データを具現化したものであり、有用なデータセットは、ロボット本体、アクション、タスク、シーン、実行トレース、結果の関係を保存する必要がある。 マルチモーダルストリームは、タイミング、座標フレーム、校正、運動学、単位、同期仮定が検査可能である場合にのみ再利用可能である。 第三に、主なボトルネックはデータの不足だけでなく、高い収集コスト、データサイロ、一貫性のない評価による累積的ではないデータである。 我々は、ヒューマノイドロボットのデータ標準が、具体的体験を解釈可能、共有可能、トレース可能、再利用可能なものにすることで、これらのボトルネックに対処すると主張している。 一般的な標準は、ライフサイクル管理、メタデータ、実績、品質、バージョニング、トレーサビリティのための水平的なインフラを提供し、機能固有の部分は、操作、移動、人間-ロボットの相互作用、認知、将来のヒューマノイド機能のためのドメイン文法を定義するべきである。 AIが画面から体へと移動するにつれて、データ標準は、デジタル情報の編成から物理的相互作用の構造化へと進化しなければなりません。

関連論文リスト

• DataLadder: A Simulation-Enabled Interconversion Toolchain for the Embodied Data Pyramid [63.45560198934907]
  ジェネラリストロボットポリシーは、信頼できる評価とロボット使用可能なトレーニングデータを必要とする。 本稿では,人間ロボットによるモデル評価とデータ生成のためのシミュレーション可能な変換ツールチェーンであるDataLadderを提案する。 JD Cloud上のクラウドサービスとして、コア再構築、シミュレーション、レンダリング、リアリズム拡張モジュールをパッケージ化します。
  論文  参考訳（メタデータ） (2026-06-15T14:21:35Z)
• 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)
• 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)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• HHI-Assist: A Dataset and Benchmark of Human-Human Interaction in Physical Assistance Scenario [63.77482302352545]
  HHI-Assist(ヒヒ・アシスト)は、人間の介助作業における人間のインタラクションのモーションキャプチャークリップからなるデータセットである。 私たちの研究は、ロボット支援ポリシーを大幅に強化する可能性がある。
  論文  参考訳（メタデータ） (2025-09-12T09:38:17Z)
• Curate, Connect, Inquire: A System for Findable Accessible Interoperable and Reusable (FAIR) Human-Robot Centered Datasets [2.9620440248101967]
  ロボット工学におけるAIの急速な成長は、高品質で再利用可能なデータセットの必要性を増幅した。 この分野におけるオープンデータの状況は、キュレーション標準の欠如と一貫した出版慣行のために不均一である。 本稿では,2つの主要なコントリビューションを持つキュレーションとアクセスシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-30T20:48:32Z)
• Exploring the Potential of Robot-Collected Data for Training Gesture Classification Systems [40.34185280098731]
  本研究は,ロボットが収集したデータを用いた訓練分類システムの実現可能性について検討する。 本研究では,人間記録データとロボット記録データの両方を用いて,訓練システムの分類性能を比較した。
  論文  参考訳（メタデータ） (2024-05-07T11:58:34Z)
• Where is my hand? Deep hand segmentation for visual self-recognition in humanoid robots [129.46920552019247]
  本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。 ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
  論文  参考訳（メタデータ） (2021-02-09T10:34:32Z)
• Human-robot co-manipulation of extended objects: Data-driven models and control from analysis of human-human dyads [2.7036498789349244]
  我々は人間と人間のダイアド実験のデータを用いて、物理的な人間とロボットのコマニピュレーションタスクに使用する動きの意図を決定する。 我々は、過去の動きに基づく人間の意図を予測するために、人間と人間のトライアルの動作データに基づくディープニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2020-01-03T21:23:12Z)

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。