論文の概要: Worlds in One Demo: A Synthetic Data Engine for Learning Open-World Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2607.13154v1
- Date: Tue, 14 Jul 2026 18:04:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.55694
- Title: Worlds in One Demo: A Synthetic Data Engine for Learning Open-World Mobile Manipulation
- Title（参考訳）: Worlds in One Demo: オープンワールドモバイル操作を学習するためのシンセティックデータエンジン
- Abstract要約: WANDA: 人工DATAエンジンによる1つのデモンストレーションからオープンワールドモバイルマナニピュレーションを学習する。
我々は,移動操作の異なる段階において,ロボットと物体の状態の多様性を高めるために矯正状態拡張を適用した。
実験により,WADAで訓練した政策は,長期的ロバスト性,広空間的一般化,環境横断的一般化を実現することが示された。
- 参考スコア（独自算出の注目度）: 7.87892459538874
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning open-world mobile manipulation policies requires vast data to achieve spatial generalization, long-horizon robustness, and scene generalization. Current prevailing data collection paradigms, teleoperation and UMI, demand prohibitive human effort and cost at scale. To scale beyond the limits of manual data collection, we seek to maximize the value of each human demonstration by scalable data generation. To this end, we introduce WANDA: learning open-World mobile mANipulation from one demonstration via a synthetic DAta engine. WANDA first reconstructs background Gaussian splats and robot-object interaction trajectories from source RGBD observations, as a world substrate for later planning and rendering. It then rearranges contact-rich robot-object interaction segments into extensive spatial configurations, utilizing whole-body motion planning to chain them into new trajectories. To enhance long-horizon robustness, it applies Corrective State Expansion to increase the robot and object state diversity at different stages of mobile manipulation. To unlock cross-environment generalization, trajectories are synthesized on diverse generated 3D worlds from everyday photos. Furthermore, we synthesize photo-realistic observations by compositing rendered robot and object meshes with Gaussian splatting backgrounds. We evaluate our approach on extensive simulation and real-world tasks in various scenes. Experiments show that policies trained with WANDA achieve long-horizon robustness, broad spatial generalization and cross-environment generalization from one real demonstration. Moreover, WANDA naturally supports cross-embodiment data generation, validated by zero-shot deployment on another mobile manipulator with a distinct morphology.
- Abstract（参考訳）: オープンワールドなモバイル操作ポリシーの学習には、空間一般化、長距離ロバスト性、シーン一般化を実現するために膨大なデータが必要である。
現在の一般的なデータ収集パラダイム、遠隔操作とUMIは、大規模な人的努力とコストを禁止している。
手動データ収集の限界を超えてスケールするために、スケーラブルなデータ生成によって、人間の実演の価値を最大化することを模索する。
この目的のために、WANDA: オープンワールドモバイルマナニピュレーションを合成DAtaエンジンを用いて1つのデモから学習する。
WANDAは、まず背景のガウスプレートとロボットと物体の相互作用軌跡をソースRGBD観測から再構築し、後の計画とレンダリングのための世界基板とした。
その後、接触に富んだロボットと物体の相互作用セグメントを広い空間構成に並べ替え、全身の動き計画を利用して新しい軌道に繋ぐ。
長距離ロバスト性を高めるため,移動操作の異なる段階でロボットや物体の状態の多様性を高めるために補正状態拡張を適用した。
クロス環境の一般化を解き放つために、日常の写真から多種多様な3D世界の軌跡を合成する。
さらに、レンダリングされたロボットとオブジェクトメッシュをガウススプレイティングの背景で合成することにより、光リアルな観察を合成する。
様々な場面におけるシミュレーションと実世界の課題に対する我々のアプローチを評価する。
実験により, WANDAで訓練した政策は, 1つの実演から長期的ロバスト性, 広空間的一般化, クロス環境的一般化を実現することが示された。
さらに、WADAは、異なる形態を持つ別の移動マニピュレータ上でゼロショット展開によって検証される、クロスエボディメントデータ生成を自然にサポートする。
関連論文リスト
- OASIS: From Simulation Data Collection to Real-World Humanoid Loco-Manipulation [51.37436817948304]
OASISはヒューマノイドのロコ操作のためのシミュレーションデータ駆動のフレームワークである。
3次元生成モデルを用いて実世界の画像から現実的なオブジェクト資産を再構築する。
ゼロショットデプロイメントでは、実際のロボット遠隔操作データでトレーニングされたタスクよりも、ほとんどのタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-06-07T10:01:53Z) - RoboDream: Compositional World Models for Scalable Robot Data Synthesis [31.864551794584667]
ロボット学習のスケールには大規模で多様なデモが必要だが、遠隔操作による実世界のデータ収集は極めて高価で時間を要する。
本稿では、新しいオブジェクトでデモを合成することで、スケーラブルなデータ生成を実現する、一般化可能なエンボディメント中心の世界モデルを提案する。
実世界の実験で、生成したデータは、ダウンストリームポリシーのパフォーマンスを一貫して改善し、多様な操作タスクにおける実世界のデータ要求を大幅に低減することを示した。
論文 参考訳（メタデータ） (2026-06-01T17:59:38Z) - V-Dreamer: Automating Robotic Simulation and Trajectory Synthesis via Video Generation Priors [30.872127145725187]
V-Dreamerは、オープン語彙でシミュレーション可能な操作環境を生成する、完全に自動化されたフレームワークである。
V-Dreamerは、物理的に接地された3Dシーンを構成する新しい生成パイプラインを使用している。
我々は,本ポリシーがシミュレーションにおいて未確認オブジェクトに対して堅牢に一般化し,効率的なsim-to-real転送を実現することを示す。
論文 参考訳（メタデータ） (2026-03-19T12:00:04Z) - DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos [110.98100817695307]
私たちはDreamDojoを紹介します。DreamDojoは、多種多様なインタラクションと、エゴセントリックな人間ビデオの44万時間から厳密なコントロールを学ぶ基礎的な世界モデルです。
本研究は, 遠隔操作, 政策評価, モデルベース計画など, 生成的世界モデルに基づくいくつかの重要な応用を可能にする。
論文 参考訳（メタデータ） (2026-02-06T18:49:43Z) - MobileManiBench: Simplifying Model Verification for Mobile Manipulation [70.30578259859512]
MobileManiBenchは、モバイルベースのロボット操作のための大規模なベンチマークである。
MobileManiBenchには、2つのモバイルプラットフォーム(パラレルグリッパーとデキソラスハンドロボット)、2つの同期カメラ(頭と右手首)、630のオブジェクト(オープン、クローズ、プル、プッシュ、ピック)、5つのスキル(オープン、クローズ、プッシュ、ピック)、100以上のタスクが現実的なシーンで実行される。
論文 参考訳（メタデータ） (2026-02-05T02:49:52Z) - DemoHLM: From One Demonstration to Generalizable Humanoid Loco-Manipulation [29.519071338337685]
シミュレーションにおける1つのデモから,実ロボット上でのヒューマノイドロコ操作のためのフレームワークであるDemoHLMを提案する。
全身のコントローラーは、全身のモーションコマンドを関節トルクにマッピングし、ヒューマノイドロボットのための全方向移動手段を提供する。
実験では, 合成データ量と政策性能との間に正の相関が認められた。
論文 参考訳（メタデータ） (2025-10-13T10:49:40Z) - R2RGEN: Real-to-Real 3D Data Generation for Spatially Generalized Manipulation [74.41728218960465]
本稿では,実世界のデータを生成するために,ポイントクラウド観測-アクションペアを直接拡張するリアルタイム3Dデータ生成フレームワーク(R2RGen)を提案する。
R2RGenは、広範な実験におけるデータの効率を大幅に向上させ、モバイル操作におけるスケーリングと応用の強い可能性を示す。
論文 参考訳（メタデータ） (2025-10-09T17:55:44Z) - GWM: Towards Scalable Gaussian World Models for Robotic Manipulation [53.51622803589185]
本稿では,ロボット操作のための世界モデルGawssian World Model (GWM)を提案する。
中心となるのは、潜伏拡散変換器(DiT)と3次元変分オートエンコーダを組み合わせることで、微粒なシーンレベルの将来の状態復元を可能にする。
シミュレーションと実世界の実験の両方で、GWMは多様なロボットのアクションに照らされた未来のシーンを正確に予測できる。
論文 参考訳（メタデータ） (2025-08-25T02:01:09Z) - Transferring Foundation Models for Generalizable Robotic Manipulation [82.12754319808197]
インターネット規模の基盤モデルによって生成された言語推論セグメンテーションマスクを効果的に活用する新しいパラダイムを提案する。
提案手法は,オブジェクトのポーズを効果的かつ堅牢に知覚し,サンプル効率のよい一般化学習を可能にする。
デモは提出されたビデオで見ることができ、より包括的なデモはlink1またはlink2で見ることができます。
論文 参考訳（メタデータ） (2023-06-09T07:22:12Z)
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。