論文の概要: GraspIT: A Dataset Bridging the Sim-to-Real gap and back for Validated Grasping SE(3) Pose Generation

• arxiv url: http://arxiv.org/abs/2607.05869v1
• Date: Tue, 07 Jul 2026 06:00:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.407807
• Title: GraspIT: A Dataset Bridging the Sim-to-Real gap and back for Validated Grasping SE(3) Pose Generation
• Title（参考訳）: GraspIT:Sim-to-Realギャップをブリッジしたデータセットによるバリデーション型グラフピングSE(3)Pose生成
• Abstract要約: textbfGraspITは、このギャップに対処する:NVIDIA Isaac Simのテーブルトップシーンは、並列のFranka Pandaインスタンス上で4段階の物理的スリップテストによって注釈付けされる。 アイザック・シムにおける軌道計画により、テーブルトップ操作ポリシー学習と行動クローンのための高解像度のデモをストリーミングすることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust robotic grasping of novel objects requires datasets that simultaneously provide photorealistic RGB-D observations, physically validated grasp quality annotations, and a principled bridge between simulation and the real world, which existing datasets lack to provide jointly. \textbf{GraspIT} addresses this gap: tabletop scenes in NVIDIA Isaac Sim are annotated via a four-stage physical slip-test on parallel Franka Panda instances, producing trajectory-reachability checks and continuous quality scores beyond force-closure.Of ${\sim}$2.3M candidates, 83% pass as \emph{good} ($s{\geq}0.50$); the 17% that passed force-closure but failed the slip-test provide graded hard negatives. A Real$\leftrightarrow$Sim loop back-projects these labels onto 100 real-world scenes. The release provides ${\sim}$316k annotated RGBD frame sets across 1035 sim and 100 real scenes, with instance masks, 6-DoF poses, physical object properties, and scored 6-DoF grasps. All tools are open-source and Docker-containerized. The trajectory planning within Isaac Sim further allows streaming of high resolution demonstrations for tabletop manipulation policy learning and behavior cloning.
• Abstract（参考訳）: 新規なオブジェクトのロバストなロボットグルーピングには、フォトリアリスティックなRGB-D観察、物理的に検証された把握品質アノテーション、既存のデータセットが共同で提供できないシミュレーションと現実世界の間の原則的なブリッジを同時に提供するデータセットが必要である。 NVIDIA Isaac Simのテーブルトップシーンは、並列のFranka Pandaインスタンス上で4段階の物理的スリップテストを通じてアノテートされ、トラジェクトリリーチビリティチェックと連続的な品質スコアを出力クロージャを超えて生成する。Of ${\sim}$2.3M candidate, 83% pass as \emph{good} ($s{\geq}0.50$; 強制クロージャを通過して失敗したが、スリップテストに失敗した17%は、格付けされたハードネガティブを提供する。 Real$\leftrightarrow$Simループは、これらのラベルを100の現実世界のシーンにバックプロジェクターする。 このリリースでは、1035 sim と 100 の実際のシーンに、${\sim}$316kの注釈付き RGBD フレームセットが提供されている。 すべてのツールはオープンソースでDockerコンテナ化されている。 アイザック・シムにおける軌道計画により、テーブルトップ操作ポリシー学習と行動クローンのための高解像度のデモをストリーミングすることができる。

関連論文リスト

• Disparity Has a Sign: Stereo Matching Beyond the Zero-Disparity Plane [52.210414985125816]
  立体視内容が、負の相違に対応するゼロの相違面の背後にある物体をどう含んでいるかを示す。 撮影者が作成した7本の公開映画から21,495ドルのステレオペアのベンチマークである textitZDPShift を提案する。 同じシーンコンテンツでは、ファンデーションは25.24ドルEPEから75.33ドルpxに上昇し、すべてのバックボーンが3ピクセルの差分誤差を超えるピクセルの約半分を残している。
  論文  参考訳（メタデータ） (2026-09-06T19:58:35Z)
• Lucida: Parse, Generate, and Place for Composable Real-to-Sim Scene Modeling [11.305288161442995]
  構成可能なシーンモデリングは、実際の屋内シーンを、観察されたように配置された完全な編集可能なオブジェクトアセットとして復元することを目的としている。 Luciaはビデオをシーングラフに解析し、ノードはインスタンスごとのマルチビューのエビデンスを持っている。 Luciaは、マルチターンGUIインタラクションとして配置するVLMポリシーであるGizmoActで資産を配置する。
  論文  参考訳（メタデータ） (2026-08-31T14:03:20Z)
• Scene-SAM3D: Multi-View Scene Asset Generation Without Fine-Tuning [51.11861596631423]
  Scene-SAM3Dは、SAM3Dをシングルビューオブジェクト生成からマルチビューシーンアセット生成まで拡張する、トレーニング不要のフレームワークである。 Scene-SAM3Dは、補完的なビューのコンパクトなセットを選択し、観察冗長性を低減し、個々のビューに隠された領域のさらなる証拠を提供する。 ステップ効率の遅延速度融合を行い、多視点エビデンスを統合し、標準空間におけるクロスビュー競合を抑制する。
  論文  参考訳（メタデータ） (2026-07-18T12:51:17Z)
• SimWeaver: Zero-Shot RGB Sim-to-Real for Deformable Manipulation [37.450474945657824]
  SimWeaverは、タスク毎に200のシミュレートされたデモに対してゼロショットのRGB VLAポリシーをトレーニングする。 タスク毎の80%以上、そして5つのさまざまな変形可能なタスクの平均的な実世界の成功率は91%に達する。
  論文  参考訳（メタデータ） (2026-06-13T14:57:03Z)
• AffordSim: A Scalable Data Generator and Benchmark for Affordance-Aware Robotic Manipulation [42.842219862127116]
  AffordSimは、オープンボキャブラリの3Dアベイランス予測を操作データ生成パイプラインに統合するシミュレーションフレームワークである。 AffordSimは、私たちのVoxAffordモデルを使って、オブジェクトポイントのクラウド上の空きマップを予測する。 AffordSimはNVIDIA Isaac Simをベースとして、クロスエボディメントをサポートする。
  論文  参考訳（メタデータ） (2026-04-13T16:21:44Z)
• SAGE: Scalable Agentic 3D Scene Generation for Embodied AI [67.43935343696982]
  既存のシーン生成システムは、しばしばルールベースまたはタスク固有のパイプラインに依存し、アーティファクトと物理的に無効なシーンを生成する。 本稿では,ユーザが特定した具体的タスクを与えられたエージェントフレームワークであるSAGEについて,その意図を理解し,大規模にシミュレーション可能な環境を自動的に生成する。 得られた環境は現実的で多様性があり、政策訓練のための現代的なシミュレーターに直接デプロイできる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:55Z)
• JiSAM: Alleviate Labeling Burden and Corner Case Problems in Autonomous Driving via Minimal Real-World Data [49.2298619289506]
  本稿では,ジッタリング強化,ドメイン認識バックボーン,メモリに基づくセクタライズAlignMentのためのJiSAMというプラグイン・アンド・プレイ手法を提案する。 有名なADデータセットであるNuScenesで実施された広範な実験において、SOTA 3Dオブジェクト検出器を用いて、JiSAMはシミュレーションデータと2.5%の実データにラベルを付けるだけで、実データで訓練されたモデルに匹敵する性能が得られることを示した。
  論文  参考訳（メタデータ） (2025-03-11T13:35:39Z)
• SimVS: Simulating World Inconsistencies for Robust View Synthesis [102.83898965828621]
  本稿では、生成ビデオモデルを利用して、キャプチャ中に起こりうる世界の不整合をシミュレートする手法を提案する。 我々の世界シミュレーション戦略は、現実のシーンのバリエーションを扱う上で、従来の拡張手法よりも大幅に優れていることを実証する。
  論文  参考訳（メタデータ） (2024-12-10T17:35:12Z)
• SimGen: Simulator-conditioned Driving Scene Generation [50.03358485083602]
  シミュレーション条件付きシーン生成フレームワークSimGenを紹介する。 SimGenは、シミュレータと現実世界のデータを混ぜることで、多様な運転シーンを生成することを学ぶ。 テキストプロンプトとシミュレータからのレイアウトに基づいて制御性を保ちながら、優れた生成品質と多様性を実現する。
  論文  参考訳（メタデータ） (2024-06-13T17:58:32Z)
• Benchmarking the Sim-to-Real Gap in Cloth Manipulation [10.530012817995656]
  布の操作におけるシム・トゥ・リアルギャップを評価するためのベンチマークデータセットを提案する。 このデータセットを用いて、一般的な4つの変形可能なオブジェクトシミュレータの現実的ギャップ、計算時間、安定性を評価する。
  論文  参考訳（メタデータ） (2023-10-14T09:36:01Z)
• Sim-Suction: Learning a Suction Grasp Policy for Cluttered Environments Using a Synthetic Benchmark [8.025760743074066]
  Sim-Suctionは、動的なカメラ視点を持つモバイル操作プラットフォームのための堅牢なオブジェクト認識型吸引把握ポリシーである。 Sim-Suction-Datasetは、500の乱雑な環境と320万の注釈付き吸引グリップポーズで構成されている。 Sim-Suction-Pointnetは、Sim-Suction-Datasetからポイントワイズを学習することにより、ロバストな6次元吸引グリップポーズを生成する。
  論文  参考訳（メタデータ） (2023-05-25T15:31:08Z)

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。