論文の概要: DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting

• arxiv url: http://arxiv.org/abs/2607.09519v1
• Date: Fri, 10 Jul 2026 15:31:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.453053
• Title: DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting
• Title（参考訳）: DemoBridge: シングルビューの人間デモレターゲティングのためのシミュレーション・イン・ザ・ループ・ツールキット
• Abstract要約: このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
• 参考スコア（独自算出の注目度）: 49.70827726228219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present DemoBridge, an toolkit that turns a single-view RGB stereo recording of a human hand demonstration into an executable, physics-validated robot-arm trajectory. Retargeting across the embodiment gap is hard. A robot arm reaches a target with a long, articulated body whose links carry far more collision volume than a hand. Solving inverse kinematics for the mapped end-effector pose often yields no collision-free solution, and a trajectory imposes this at every waypoint. A single view adds noise, leaving the demonstrated reference inaccurate. At the core of DemoBridge is a single collision-aware planner. It optimizes the whole joint trajectory at once, reasoning jointly over alternative grasp poses, whole-arm and grasped-object collision, and fidelity to the demonstrated path. A physics simulator runs in the loop. It validates each phase as it is produced and backtracks on failure, so a demonstration that cannot be reproduced as given is re-planned rather than discarded. The resulting action sequence is dynamically stable and faithful to the demonstrated manipulation. It also doubles as a ready-to-use simulation rollout for policy learning. Grasp timing is inferred automatically, and the perception backends, robot, and pipeline stages are swappable from configuration. We evaluate whole-pipeline retargeting on three real-demonstration tasks and the planner on a controlled synthetic benchmark. Our code is available at https://gitlab.kuleuven.be/u0123974/demo-bridge/ .
• Abstract（参考訳）: このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 エンボディメントギャップを越えて再ターゲティングするのは難しいです。 ロボットアームは、リンクが手よりもはるかに多くの衝突量を運ぶ長い関節のある体で目標に達する。 写像されたエンドエフェクターのポーズに対する逆キネマティクスを解くと、しばしば衝突のない解が得られず、軌道はあらゆる点でこれを課す。 1つのビューはノイズを追加し、実証された参照は不正確なままである。 DemoBridgeの中核にあるのは、衝突を意識した単一のプランナーだ。 一度に関節の軌道全体を最適化し、代替のつかみポーズ、全腕とつかみオブジェクトの衝突、そして実証された経路への忠実さを共同で推論する。 物理シミュレーターがループで実行されます。 生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。 結果のアクションシーケンスは動的に安定であり、実証された操作に忠実である。 また、ポリシー学習のための準備の整ったシミュレーションロールアウトも兼ねている。 グレープタイミングは自動的に推論され、認識バックエンド、ロボット、パイプラインステージは構成からスワップ可能である。 3つの実演作業における全パイプライン再ターゲティングと,制御された合成ベンチマーク上でのプランナの評価を行った。 私たちのコードはhttps://gitlab.kuleuven.be/u0123974/demo-bridge/で利用可能です。

関連論文リスト

• Collision-Aware Humanoid Whole-Body Control under Imperfect Tracking Targets [11.010074477825272]
  全体コントローラ(WBC)は、バランスと安定性を維持しながら目標を追跡するコマンドを実行する。 ほとんどのWBCはシーン幾何学に盲目であり、知覚、計画、遠隔操作の誤りによる衝突につながる可能性がある。 本稿では,視覚障害者を包むレイヤであるRECALを提案する。
  論文  参考訳（メタデータ） (2026-09-14T22:22:02Z)
• KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
  エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです 既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。 IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
  論文  参考訳（メタデータ） (2026-07-22T08:04:17Z)
• WARP: Whole-Body Retargeting for Learning from Offline Human Demonstrations [6.099593815020076]
  ヒトポス(WARP)の全身認識的再ターゲティング ヒトポス(WARP)からの全身認識的リターゲティングについて
  論文  参考訳（メタデータ） (2026-06-29T08:17:31Z)
• Supervise What Survives: Geometry-Guided VLA Adaptation from Synthetic Robot Videos [43.32573764638152]
  生成した視覚から低レベル制御を導出することは、ミスマッチした抽象化である、と我々は主張する。 我々は、将来の2次元エンドエフェクタ・ウェイポイントとして幾何学的コンテンツを抽出するtextbfGRAを提案する。 実際のロボットタスクでは、GRAは一致したデータ予算の下で擬似アクションベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-06-23T11:35:13Z)
• M3imic: Learning a Versatile Whole-Body Controller for Multimodal Motion Mimicking [45.636871702422134]
  Multi-Modal Mimicはヒューマノイドロボットのための汎用的な全身制御フレームワークである。 ロボットの関節角度、人間のポーズ軌跡、エンドエフェクターのポーズなど、異種動作参照モードを統一する。 モダリティ特異的なリトレーニングを伴わない、複数の運動基準モード間のシミュレート・トゥ・リアル転送を実現する。
  論文  参考訳（メタデータ） (2026-06-03T12:52:37Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
  拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。 Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。 Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、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） (2026-03-12T14:36:53Z)
• FeasibleCap: Real-Time Embodiment Constraint Guidance for In-the-Wild Robot Demonstration Collection [3.8103821995386356]
  FeasibleCapはグリップ・イン・ハンドのデータ収集システムだ。 ピック・アンド・プレイス・タスクでは、FeasibleCapはリプレイの成功を改善し、実現不可能なフレーム数を減らす。
  論文  参考訳（メタデータ） (2026-03-08T10:38:43Z)
• PoseDiff: A Unified Diffusion Model Bridging Robot Pose Estimation and Video-to-Action Control [67.17998939712326]
  本稿では,ロボットの状態推定と制御を単一のフレームワーク内で統一する条件拡散モデルPoseDiffを提案する。 中心となるPoseDiffは、生の視覚を3Dキーポイントや関節角などの構造化されたロボットの状態にマッピングする。 この基盤の上に構築されたPoseDiffは、ビデオからアクションへの逆ダイナミクスに自然に拡張する。
  論文  参考訳（メタデータ） (2025-09-29T10:55:48Z)
• Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
  本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。 まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。 この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。 両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
  論文  参考訳（メタデータ） (2024-09-26T17:57:16Z)
• Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
  我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。 私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。 学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
  論文  参考訳（メタデータ） (2024-05-02T17:56:55Z)
• DITTO: Demonstration Imitation by Trajectory Transformation [31.930923345163087]
  そこで本研究では,RGB-Dビデオ録画による実演映像のワンショット模倣の問題に対処する。 本稿では,2段階のプロセスを提案する。第1段階では実演軌道をオフラインに抽出し,操作対象のセグメンテーションと,容器などの二次物体に対する相対運動を決定する。 オンライン軌道生成段階では、まず全ての物体を再検出し、次にデモ軌道を現在のシーンにワープし、ロボット上で実行します。
  論文  参考訳（メタデータ） (2024-03-22T13:46:51Z)

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。