Fugu-MT 論文翻訳(概要): JoyAI-RA 0.5: Scaling Robot Manipulation Learning via Dual Action Alignment

論文の概要: JoyAI-RA 0.5: Scaling Robot Manipulation Learning via Dual Action Alignment

arxiv url: http://arxiv.org/abs/2608.05674v1
Date: Thu, 06 Aug 2026 07:14:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 17:43:06.706993
Title: JoyAI-RA 0.5: Scaling Robot Manipulation Learning via Dual Action Alignment
Title（参考訳）: JoyAI-RA 0.5:デュアルアクションアライメントによるロボットマニピュレーション学習のスケーリング
Abstract要約: 本研究では,物理世界力学と視覚的意味論を結びつけるフレームワークであるJoyAI-RA 0.5を提案する。インシシットアクションアライメントは、視覚的な遷移から潜在アクションを推論し、アクションフリーな人間、シミュレーション、ロボットデータを可能にする。 JoyAI-RAは、実際のAgiBotベンチマークで見られるタスクと見えないバリエーションの両方に強く依存する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robot data is scarce, so generalist policies need to learn from heterogeneous sources, including human egocentric video, simulation, and real robots, which differ in supervision and embodiment, with action labels missing or mutually incompatible. Human egocentric data scale best but sit farthest from robot data, and naive pooling causes negative transfer rather than knowledge sharing. We propose JoyAI-RA 0.5, a generalist Vision-Language-World-Action (VLWA) framework that couples physical world-dynamics priors with visual semantics and scales manipulation learning across such data via dual action alignment. Implicit action alignment infers latent actions from visual transitions, enabling action-free human, simulation, and robot data to guide a latent-action-conditioned world model in learning physical dynamics. Explicit alignment grounds reliable human and robot trajectories in a unified physical action space through a canonical action representation and camera-frame chunk-relative end-effector actions. An inner-outer-loop reinforcement stage then pairs efficient task adaptation with foundation-policy improvement. On a real-world AgiBot benchmark, JoyAI-RA performs strongly on both seen tasks and unseen variations. The task score improves consistently as the volume of human egocentric pretraining data increases and shows no sign of plateauing at our largest scale. This suggests that abundant but weakly labeled human experience can be converted into a transferable training signal, making human video not merely a weak auxiliary source but a primary axis along which manipulation capability can be scaled. Project page can be found at https://joyai-ra-05.github.io/.
Abstract（参考訳）: ロボットのデータは乏しいため、一般的な政策は、人間の自我中心のビデオ、シミュレーション、実際のロボットなどの異質な情報源から学ぶ必要がある。人間の自我中心のデータスケールは最良だが、ロボットデータとは比べ物にならない。本稿では,視覚的セマンティクスと物理世界力学を結合し,2つのアクションアライメントによる学習をスケールする,汎用的なビジョン・ランゲージ・ワールド・アクション(VLWA)フレームワークであるJoyAI-RA 0.5を提案する。インプシット・アクションアライメント(英語版)は、視覚的な遷移から潜在アクションを推論し、アクションのない人間、シミュレーション、ロボットデータを可能にし、身体力学を学ぶための潜在アクション条件の世界モデルを導く。明示的なアライメントは、標準的なアクション表現とカメラフレームのチャンク相対的なエンドエフェクタアクションを通じて、統一された物理行動空間における人間とロボットの軌道を基盤とする。インナー・アウター・ループ強化段階は、基礎・政治改善と効率的なタスク適応を組み合わせます。現実世界のAgiBotベンチマークでは、JoyAI-RAは見えるタスクと見えないバリエーションの両方に強く依存する。タスクスコアは、人間中心の事前学習データの量が増加し、我々の最大の規模でプラトーイングの兆候がないため、一貫して改善される。このことは、豊富なが弱いラベル付けされた人間の体験を伝達可能な訓練信号に変換することができ、人間のビデオは弱い補助源であるだけでなく、操作能力を拡張可能な一次軸となることを示唆している。プロジェクトページはhttps://joyai-ra-05.github.io/にある。

関連論文リスト

Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [60.94418315274988]
Ego2Robotは、キュレートされたビデオとインザワイルドのビデオの両方をサポートし、15のロボット形態にまたがる18,561時間のトレーニングデータを生成する。 Ego2Robotの合成データとロボットデータの併用による事前学習は、複数のタイプにわたるアウト・オブ・ディストリビューションの一般化を一貫して改善する。
論文参考訳（メタデータ） (2026-08-03T17:52:26Z)
EgoWAM: World Action Models Beyond Pixels with In-the-Wild Egocentric Human Data [23.843545167506818]
EgoWAMはコントロールされた人間ロボットのコトレーニングフレームワークである。ポリシーのバックボーン、アクションヘッド、データミキシングを修正し、世界予測ターゲットだけを変更します。行動クローニングよりも、先進的な人間中心のデータでより効果的にスケールする。
論文参考訳（メタデータ） (2026-07-08T16:11:37Z)
Human2Any: Human-to-Robot Transfer via Constraint-Aware Compositional Planning [17.90707618632327]
我々は、人間のビデオから再利用可能なオブジェクト中心のインタラクションを学習するためのフレームワークであるHuman2Anyを紹介する。我々は,FrankaテーブルトップとRBY-1ヒューマノイド移動ロボットの実際の実験を含む,さまざまな操作設定のHuman2Anyを検証する。
論文参考訳（メタデータ） (2026-06-27T08:45:27Z)
EgoScale: Scaling Dexterous Manipulation with Diverse Egocentric Human Data [114.89243396877453]
EgoScaleは、大規模な自我中心の人間データ上に構築された人から器用な操作伝達フレームワークである。簡単な2段階のトランスファーレシピを導入し, 大規模人体事前訓練と, ライトウェイトアライメントされた人間ロボットのトレーニングを行った。最終方針は、22個のDoFデキスタラスロボットハンドを使用して、トレーニング済みのベースラインに対して平均成功率を54%向上させる。
論文参考訳（メタデータ） (2026-02-18T18:59:05Z)
EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。スケーラブルな人的データ収集のためのポータブルシステムを開発した。
論文参考訳（メタデータ） (2026-02-10T18:59:03Z)
MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
論文参考訳（メタデータ） (2025-12-17T12:59:41Z)
From Human Hands to Robot Arms: Manipulation Skills Transfer via Trajectory Alignment [36.08997778717271]
現実世界のロボットの多様な操作スキルを学ぶことは、高価でスケールの難しい遠隔操作によるデモンストレーションに依存することでボトルネックとなる。本稿では,操作終端の3次元軌跡を統一中間表現として利用することにより,この実施ギャップを橋渡しする新しいフレームワークであるTraj2Actionを紹介する。我々の方針はまず,人間とロボットの両方のデータを活用することで,高レベルの運動計画を形成する粗い軌道を生成することを学習する。
論文参考訳（メタデータ） (2025-10-01T04:21:12Z)
EgoVLA: Learning Vision-Language-Action Models from Egocentric Human Videos [49.820119587446655]
本稿では,エゴセントリックな人間ビデオを用いたVLA(Vision-Language-Action)モデルのトレーニングについて検討する。人間の手首と手の動きを予測する人間のビデオに基づいて訓練されたVLAによって、私たちはInverse Kinematicsを実行し、人間のアクションをロボットアクションに変換することができる。シミュレーションベンチマークであるEgo Humanoid Manipulation Benchmarkを提案する。
論文参考訳（メタデータ） (2025-07-16T17:27:44Z)
EgoZero: Robot Learning from Smart Glasses [54.6168258133554]
EgoZeroはProject Ariaスマートグラスで捉えた人間のデモから堅牢な操作ポリシーを学ぶ。 EgoZeroのポリシーをFranka Pandaロボットにデプロイし、7つの操作タスクに対して70%の成功率でゼロショット転送を実演する。この結果から,実世界におけるロボット学習のためのスケーラブルな基盤として,現在地にある人間のデータを活用できることが示唆された。
論文参考訳（メタデータ） (2025-05-26T17:59:17Z)

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。