論文の概要: Learning Diverse Humanoid Tasks via Synthetic Video Scenarios without Real World Data

• arxiv url: http://arxiv.org/abs/2607.21648v1
• Date: Wed, 22 Jul 2026 05:36:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:56.940823
• Title: Learning Diverse Humanoid Tasks via Synthetic Video Scenarios without Real World Data
• Title（参考訳）: 実世界データのない合成ビデオシナリオによる異種ヒューマノイド課題の学習
• Abstract要約: 我々は、生成AIの力を活用して、テキストプロンプトを人間の身体運動の現実的で多様なシーケンスに変換する新しいフレームワークを提案する。 これらの人工的なデモンストレーションはトレーニングリソースとして使用され、ロボットは幅広いタスク実行スタイルを学ぶことができる。 実験結果から,ロボットは作業の完了だけでなく,複雑な動作の適応性も高いことが示された。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The human-like morphology of humanoid robots grants them exceptional potential for agile and versatile motor capabilities, but it also introduces significant challenges in acquiring complex skills. Traditional Learning-from-Demonstrations methods are often constrained by the high cost of collecting real-world data, the difficulty of capturing motion-specific behaviors, and the limited diversity of demonstrations across individuals. Moreover, even for the same task, humans may execute the motion in multiple distinct ways. In this paper, we propose a new framework that leverages the power of Generative AI to convert textual prompts into realistic and diverse sequences of human body movements, enabling the robot to observe multiple variations of how a single task can be performed. These synthetic demonstrations are then used as a training resource, allowing the robot to learn a broad range of task-execution styles without requiring direct human intervention. We evaluate the proposed method across four simulation scenarios. Experimental results show that the robot not only completes the tasks successfully but also demonstrates strong adaptability to complex variations in motion.
• Abstract（参考訳）: ヒューマノイドロボットの人間のような形態は、アジャイルで多目的な運動能力に優れた可能性を与えるが、複雑なスキルを獲得する上での重大な課題ももたらしている。 伝統的なLearning-from-Demonstrationsの手法は、現実世界のデータ収集の高コスト、モーション固有の行動の取得の難しさ、個人間でのデモンストレーションの多様性の制限によって制約されることが多い。 さらに、同じタスクであっても、人間は複数の異なる方法で動きを実行することができる。 本稿では,ジェネレーティブAIの力を利用して,テキストのプロンプトを人間の身体の動きのリアルかつ多様なシーケンスに変換する手法を提案する。 これらの人工的なデモンストレーションはトレーニングリソースとして使用され、ロボットは人間の介入を必要とせず、幅広いタスク実行スタイルを学習することができる。 提案手法を4つのシミュレーションシナリオで評価した。 実験結果から,ロボットは作業の完了だけでなく,複雑な動作の適応性も高いことが示された。

関連論文リスト

• Practice Makes Policies: Bootstrapping and Consolidating Robotic Capabilities from Zero Human Demonstrations [9.01493948952274]
  汎用ロボット操作では、ロボットはオープンワールド環境で多様なタスクを実行する必要がある。 HEROは、ゼロ人のデモから自律的な能力の進化を可能にする自己改善型階層型エンボディエージェントである。
  論文  参考訳（メタデータ） (2026-07-29T11:51:41Z)
• Emergence of Human to Robot Transfer in Vision-Language-Action Models [88.76648919814771]
  VLA(Vision-Language-action)モデルは、幅広いオープンワールドの一般化を可能にするが、大規模で多様なデータセットを必要とする。 VLAが十分なシーン、タスク、実施状況で事前訓練された後に、人間とロボットの移動が出現することを示す。
  論文  参考訳（メタデータ） (2025-12-27T00:13:11Z)
• UniPrototype: Humn-Robot Skill Learning with Uniform Prototypes [4.338344229716167]
  UniPrototypeは、共有モーションプリミティブを介して人間からロボットドメインへの効果的な知識伝達を可能にする新しいフレームワークである。 この結果から,UniPrototypeは人間の操作知識をロボットに伝達し,学習効率とタスク性能を大幅に向上させることができた。
  論文  参考訳（メタデータ） (2025-09-27T00:33:39Z)
• Interactive Imitation Learning for Dexterous Robotic Manipulation: Challenges and Perspectives -- A Survey [0.8287206589886879]
  有害な操作は、ヒューマノイドロボティクスにおいて不可欠だが非常に複雑な課題である。 実世界のデクスタラスな操作のための既存の学習ベースの手法をレビューする。 有望だが未発見の方向性はインタラクティブな模倣学習であり、人間のフィードバックがロボットの振る舞いを活発に洗練させる。
  論文  参考訳（メタデータ） (2025-05-30T12:19:32Z)
• Human-Humanoid Robots Cross-Embodiment Behavior-Skill Transfer Using Decomposed Adversarial Learning from Demonstration [9.42179962375058]
  本稿では,デジタル人間モデルを共通プロトタイプとして使用することにより,データのボトルネックを低減するための転送可能なフレームワークを提案する。 このモデルは、人間による実演から、敵対的な模倣を通して行動プリミティブを学習し、複雑なロボット構造を機能的な構成要素に分解する。 本フレームワークは,多種多様な構成のヒューマノイドロボット5体を用いて検証した。
  論文  参考訳（メタデータ） (2024-12-19T18:41:45Z)
• VITAL: Interactive Few-Shot Imitation Learning via Visual Human-in-the-Loop Corrections [10.49712834719005]
  イミテーション・ラーニング(IL)はロボット工学において強力なアプローチとして登場し、ロボットは人間の行動を模倣することで新しいスキルを身につけることができる。 その可能性にもかかわらず、ILのデータ収集プロセスは、ロジスティックな困難と高品質なデモンストレーションの獲得に伴う高コストのため、依然として重要な課題である。 本稿では,シミュレーションにおけるデータ拡張を通じて,少数の実演から大規模データ生成を提案する。
  論文  参考訳（メタデータ） (2024-07-30T23:29:47Z)
• HERD: Continuous Human-to-Robot Evolution for Learning from Human Demonstration [57.045140028275036]
  本研究では,マイクロ進化的強化学習を用いて,操作スキルを人間からロボットに伝達可能であることを示す。 本稿では,ロボットの進化経路とポリシーを協調的に最適化する多次元進化経路探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-12-08T15:56:13Z)
• BC-Z: Zero-Shot Task Generalization with Robotic Imitation Learning [108.41464483878683]
  本稿では,視覚に基づくロボット操作システムにおいて,新しいタスクを一般化することの課題について検討する。 実演と介入の両方から学ぶことができるインタラクティブで柔軟な模倣学習システムを開発した。 実際のロボットにおけるデータ収集を100以上のタスクにスケールすると、このシステムは平均的な成功率44%で24の目に見えない操作タスクを実行できる。
  論文  参考訳（メタデータ） (2022-02-04T07:30:48Z)
• Bottom-Up Skill Discovery from Unsegmented Demonstrations for Long-Horizon Robot Manipulation [55.31301153979621]
  我々は,実世界の長距離ロボット操作作業に,スキル発見による取り組みを行う。 未解決のデモンストレーションから再利用可能なスキルのライブラリを学ぶためのボトムアップアプローチを提案する。 提案手法は,多段階操作タスクにおける最先端の模倣学習手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-09-28T16:18:54Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• What Matters in Learning from Offline Human Demonstrations for Robot Manipulation [64.43440450794495]
  ロボット操作のための6つのオフライン学習アルゴリズムについて広範な研究を行う。 我々の研究は、オフラインの人間のデータから学習する際の最も重要な課題を分析します。 人間のデータセットから学ぶ機会を強調します。
  論文  参考訳（メタデータ） (2021-08-06T20:48:30Z)
• SKID RAW: Skill Discovery from Raw Trajectories [23.871402375721285]
  すべてのスキルではなく、完全なタスクの実行を示すことが望ましい。 軌跡を反復パターンに分割することを同時に学習する新しい手法を提案する。 このアプローチは、スキルのシーケンスを理解するのに使用できるスキルコンディショニングを学習する。
  論文  参考訳（メタデータ） (2021-03-26T17:27:13Z)

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。