論文の概要: OopsieVerse: A Safety Benchmark with Damage-Aware Simulation for Robot Manipulation
- arxiv url: http://arxiv.org/abs/2606.31993v1
- Date: Tue, 30 Jun 2026 17:30:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.327995
- Title: OopsieVerse: A Safety Benchmark with Damage-Aware Simulation for Robot Manipulation
- Title（参考訳）: OopsieVerse: ロボット操作における損傷認識シミュレーションによる安全性ベンチマーク
- Abstract要約: OOPSIEVERSEは、ダメージ対応家庭操作のための統一的なシミュレーションフレームワークとベンチマークである。
OOPSIEVERSEは、明示的で、物理的に座屈した、そして、タスクに依存しない信号として損傷を与える。
本研究は,安全ロボット操作の系統的,スケーラブルな研究のためのオープンソース基盤であるOOPSIEVERSEの可能性を強調した。
- 参考スコア（独自算出の注目度）: 12.792879405441163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While robotic manipulation capabilities have advanced rapidly, physical safety remains a major barrier to deploying household robots: task success is insufficient if the robot damages itself or its surroundings. Simulation offers a harm-free alternative to costly and dangerous real-world training and evaluation, yet existing simulators lack general mechanisms to detect, quantify, and represent damage. To address this gap, we introduce OOPSIEVERSE, a unified simulation framework and benchmark for damage-aware household manipulation. OOPSIEVERSE provides damage as an explicit, physically-grounded, and taskagnostic signal by converting sources such as contact forces, temperature changes, and liquid interactions into corresponding mechanical, thermal or fluid damage. OOPSIEVERSE comprises two core elements: (1) DAMAGESIM, a simulator-agnostic framework for detecting and quantifying damage during navigation and manipulation, and (2) a suite of household tasks designed to evaluate common damage modes and distinguish between task completion and safe execution. We demonstrate the generality of our framework by instantiating DAMAGESIM in two simulators with different physics backends, OmniGibson (Nvidia Omniverse) and RoboCasa (MuJoCo). We further showcase the utility of OOPSIEVERSE across multiple use cases, including (1) guiding safer demonstration collection via real-time damage feedback, (2) learning safer manipulation policies through damage-conditioned imitation learning and reinforcement learning, (3) benchmarking the safety of state-of-the-art Vision Language Action policies, and (4) improving real-world safety of sim-to-real transferred policies. Together, our results highlight the potential of OOPSIEVERSE as an open-source foundation for systematic, scalable research on safe robot manipulation. For code and more information, please refer to https://robin-lab.cs.utexas.edu/oopsieverse/
- Abstract（参考訳）: ロボットの操作能力は急速に進歩しているが、物理的安全性は家庭用ロボットの配置にとって大きな障壁であり続けている。
シミュレーションは、高価で危険な現実世界のトレーニングと評価に代わる無害な代替手段を提供するが、既存のシミュレータには損傷を検出し、定量化し、表現するための一般的なメカニズムがない。
このギャップに対処するために,統合シミュレーションフレームワークであるOOPSIEVERSEを導入する。
OOPSIEVERSEは、接触力、温度変化、液体相互作用などのソースを対応する機械的、熱的、または流体的損傷に変換することにより、明示的、物理的に接地された、または、タスクに依存しない信号として損傷を与える。
OOPSIEVERSEは,(1)ナビゲーションおよび操作中の損傷を検知・定量化するためのシミュレータ非依存のフレームワークであるDAMAGESIMと,(2)共通損傷モードの評価とタスク完了と安全な実行の区別を目的とした家庭用タスクスイートである。
DAMAGESIMを異なる物理バックエンドを持つ2つのシミュレータ、OmniGibson(Nvidia Omniverse)とRoboCasa(MuJoCo)でインスタンス化することで、我々のフレームワークの汎用性を実証する。
さらに,(1)リアルタイムのダメージフィードバックによる安全なデモンストレーション収集の指導,(2)ダメージ条件付き模倣学習と強化学習によるより安全な操作ポリシーの学習,(3)最先端のビジョン言語行動ポリシーの安全性のベンチマーク,(4)シムから現実への移行ポリシーの現実的安全性の改善など,複数のユースケースにおけるOOPSIEVERSEの有用性について紹介する。
本研究は,安全ロボット操作の系統的,スケーラブルな研究のためのオープンソース基盤であるOOPSIEVERSEの可能性を明らかにするものである。
コードと詳細については、https://robin-lab.cs.utexas.edu/oopsieverse/を参照してください。
関連論文リスト
- ROBOSHACKLES: A Safety Dataset for Human-Injury Prevention in Embodied Foundation Models [5.812025441769613]
Embodied Foundation Models (EFMs)は、マルチモーダル理解、将来の状態推論、実行可能なロボットアクションを統合する。
この課題に対処するために,EMFにおける人体傷害防止のための安全クリティカルなデータ構築パイプラインを提案する。
実際のDROID観測から得られた1万クリップのロボットビデオデータセットであるROBOSHACKLESを構築した。
評価されたモデルはすべて、テストされた安全クリティカルなシナリオにおいて安全でないアクションを生成し、100%の安全でないアクション生成率が得られることを示す。
論文 参考訳（メタデータ） (2026-06-17T03:03:16Z) - Silent Failures in Physical AI: A Literature Review of Runtime Action Authorization for Autonomous Systems [1.9544213396776273]
物理AIシステムは、多モーダルな観察、言語指示、学習された世界表現を物理的に連続した行動にマップするようになっている。
この移行は、従来のAIコンテンツモデレーションによって完全に捉えられていない安全性の問題を明らかにする。
ブラックボックスの物理AIモデルと物理実行の間に完全なランタイム認証境界を提供する単一のストリームは存在しない。
論文 参考訳（メタデータ） (2026-05-23T16:48:03Z) - JailWAM: Jailbreaking World Action Models in Robot Control [31.442262458957174]
世界行動モデル(WAM)は、将来の世界状態と行動を共同で予測し、従来のモデルと比較してより強力な物理的操作能力を示す。
既存の研究は、重要なセキュリティギャップ、すなわちJailbreak攻撃に対するWAMの脆弱性に非常に注意を払っている。
我々は、WAMのための最初の専用ジェイルブレイク攻撃および評価フレームワークであるJailWAMを提案する。
論文 参考訳（メタデータ） (2026-04-07T06:41:41Z) - Evaluating Gemini Robotics Policies in a Veo World Simulator [69.23071832313246]
我々はフロンティアビデオ基盤モデル(Veo)に基づく生成的評価システムを導入する。
このシステムは、ロボットアクションコンディショニングとマルチビュー一貫性をサポートするよう最適化されている。
我々は、Gemini Roboticsのポリシーチェックポイント8つと、バイマニュアルマニピュレータのための5つのタスクの1600以上の実世界の評価を通じて、これらの能力を検証した。
論文 参考訳（メタデータ） (2025-12-11T14:22:14Z) - ANNIE: Be Careful of Your Robots [48.89876809734855]
エンボディドAIシステムに対する敵の安全攻撃に関する最初の体系的研究について述べる。
すべての安全カテゴリーで攻撃の成功率は50%を超えている。
結果は、実証済みのAIシステムにおいて、これまで未調査だったが、非常に連続的な攻撃面を露呈する。
論文 参考訳（メタデータ） (2025-09-03T15:00:28Z) - Visuomotor Grasping with World Models for Surgical Robots [6.228255257808355]
外科的把握のための視覚的学習フレームワークであるGrasp Anything for Surgery V2 (GASv2)を紹介した。
我々は,ドメインランダム化を用いてシミュレーションの方針を訓練し,ファントムと生体外の両方で実ロボットに展開する。
実験の結果,両設定ともに65%の成功率を示し,未確認の物体やグリップに一般化し,多様な乱れに適応することがわかった。
論文 参考訳（メタデータ） (2025-08-15T04:23:07Z) - AGENTSAFE: Benchmarking the Safety of Embodied Agents on Hazardous Instructions [64.85086226439954]
本稿では,有害な指示に対するVLMエージェントの安全性を評価するためのベンチマークであるSAFEを提案する。
SAFEは、SAFE−THOR、SAFE−VERSE、SAFE−DIAGNOSEの3つの成分からなる。
我々は、ハザード認識を安全な計画と実行に翻訳する体系的な失敗を明らかにする。
論文 参考訳（メタデータ） (2025-06-17T16:37:35Z) - SafeAgent: Safeguarding LLM Agents via an Automated Risk Simulator [77.86600052899156]
LLM(Large Language Model)ベースのエージェントは、現実のアプリケーションにますますデプロイされる。
完全自動合成データ生成によるエージェント安全性を体系的に向上する最初のフレームワークであるAutoSafeを提案する。
AutoSafeは安全性のスコアを平均で45%向上させ、現実世界のタスクでは28.91%の改善を実現している。
論文 参考訳（メタデータ） (2025-05-23T10:56:06Z) - Don't Let Your Robot be Harmful: Responsible Robotic Manipulation via Safety-as-Policy [53.048430683355804]
ロボット操作における人間の指示の実行は、深刻な安全性のリスクにつながる可能性がある。
i) 安全リスクを含むシナリオを自動生成し、仮想的なインタラクションを行う世界モデルと、(ii) 反射による結果を予測するメンタルモデルを含む。
本研究は, 安全行政がリスクを回避し, 合成データセットと実世界の両方の実験において, 効率的にタスクを完了できることを実証する。
論文 参考訳（メタデータ） (2024-11-27T12:27:50Z) - DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to
Reality [64.51295032956118]
我々は人型ロボットの手で頑健な操作を行える政策を訓練する。
本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
論文 参考訳（メタデータ） (2022-10-25T01:51:36Z) - 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)
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。