論文の概要: RoboSynChallenge: Mastering Real-World Dexterity via Generalizing Synthesized Manipulation Skills
- arxiv url: http://arxiv.org/abs/2608.12416v1
- Date: Wed, 12 Aug 2026 04:29:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.276706
- Title: RoboSynChallenge: Mastering Real-World Dexterity via Generalizing Synthesized Manipulation Skills
- Title（参考訳）: RoboSynChallenge: 人工マニピュレーションスキルの一般化による実世界のデキスタリティの習得
- Abstract要約: RoboSynChallengeは、幅広い能力、データ効率、適応可能な操作システムの開発を促進することを目的としている。
Challengeは、大規模な合成データ生成と、標準化された現実世界のロボット評価を統合する。
- 参考スコア（独自算出の注目度）: 90.48218237655708
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Achieving generalizable robotic manipulation remains a central challenge in embodied intelligence. Despite rapid advances in model architectures and learning algorithms, progress is often limited by the scarcity and narrow diversity of real-world data. The RoboSynChallenge competition introduces a unified benchmark to evaluate and advance the generalizability of manipulation policies across a spectrum of tasks, environments, and difficulty levels. To alleviate the shortage of realistic data, the challenge integrates large-scale synthetic data generation with standardized real-world robotic evaluation. Participants are encouraged to leverage synthesized state-action trials to improve general-purpose policy learning, while final assessments are conducted exclusively on unseen real-world manipulation environments. Baseline implementations, including Transformer-, Diffusion-, Vision-Language-Action, and World-Action-Model-based policies, are provided to ensure reproducibility and comparability. By coupling scalable simulation-based training with rigorous real-world validation, RoboSynChallenge aims to foster the development of broadly capable, data-efficient, and adaptable manipulation systems, thereby paving the way toward truly general robotic intelligence.
- Abstract（参考訳）: 汎用的なロボット操作を実現することは、インテリジェンスを具現化する上で、依然として中心的な課題である。
モデルアーキテクチャと学習アルゴリズムの急速な進歩にもかかわらず、進歩は実世界のデータの不足と狭い多様性によって制限されることが多い。
RoboSynChallengeコンペティションでは、タスク、環境、難易度の範囲にわたる操作ポリシーの一般化性を評価し、前進させる統一ベンチマークが導入されている。
現実的なデータの不足を軽減するため、この課題は、大規模な合成データ生成と、標準化された現実世界のロボット評価を統合している。
参加者は、総合的な政策学習を改善するために、合成された状態行動試験を活用することを奨励され、最終的な評価は、目に見えない現実世界の操作環境にのみ行われる。
Transformer-、Diffusion-、Vision-Language-Action、World-Action-Model-based Policyなどのベースライン実装は再現性と互換性を確保するために提供される。
スケーラブルなシミュレーションベースのトレーニングと厳格な実世界の検証を組み合わせることで、RoboSynChallengeは、幅広い能力、データ効率、適応可能な操作システムの開発を促進し、真の汎用ロボットインテリジェンスへの道を歩むことを目指している。
関連論文リスト
- GigaWorld-1: A Roadmap to Build World Models for Robot Policy Evaluation [73.02743604295246]
WMBenchは、実際のロボット遠隔操作データとポリシーのロールアウトから構築されたベンチマークである。
7つのビデオワールドモデル,4つのアクション表現スキーム,および実際のロボット実行と組み合わせた324,000以上のシミュレートされたポリシーロールアウトを分析した。
評価者の品質は、短期的な視覚的リアリズムよりも、長期的な、行動に忠実なロールアウト一貫性に支配されている。
論文 参考訳（メタデータ） (2026-07-02T17:02:43Z) - ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。
提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。
我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
論文 参考訳（メタデータ） (2026-04-13T12:25:45Z) - ManipArena: Comprehensive Real-world Evaluation of Reasoning-Oriented Generalist Robot Manipulation [66.02142169323521]
Vision-Language-ActionモデルとWorld Modelは最近、汎用ロボットインテリジェンスのための有望なパラダイムとして登場した。
既存のベンチマークは、主にシミュレータ中心であり、制御性を提供するが、知覚ノイズによって引き起こされる現実のギャップを捉えることができない。
シミュレーションと実世界の実行を橋渡しする標準化された評価フレームワークであるManipArenaを紹介する。
論文 参考訳（メタデータ） (2026-03-30T15:06:41Z) - Grounding Sim-to-Real Generalization in Dexterous Manipulation: An Empirical Study with Vision-Language-Action Models [26.206956451239105]
実世界のデータ収集のコストを考えると、実用的な代替手段はシミュレーションによって合成データを生成することである。
4次元にわたるSim-to-Real一般化の主行列式を実験的に検討する。
実世界の10万件以上の試験を含む実験を通して、シム・トゥ・リアルの移動に関する批判的な洞察を得る。
論文 参考訳（メタデータ） (2026-03-24T07:21:29Z) - ManipulationNet: An Infrastructure for Benchmarking Real-World Robot Manipulation with Physical Skill Challenges and Embodied Multimodal Reasoning [61.35327888597012]
有害な操作により、ロボットは物理的世界を意図的に変化させ、パッシブな観察者から非構造環境のアクティブなエージェントに変えることができる。
ハードウェア、知覚、制御、学習の数十年にわたる進歩にもかかわらず、一般的な操作システムへの進歩は依然として断片化されている。
ロボット操作のための実世界のベンチマークタスクをホストするグローバルインフラストラクチャであるManipulationNetを紹介した。
論文 参考訳（メタデータ） (2026-03-04T18:29:28Z) - Affordance-Graphed Task Worlds: Self-Evolving Task Generation for Scalable Embodied Learning [38.10198732103412]
Affordance-Graphed Task Worlds (AGT-World) は対話型シミュレーション環境とそれに対応するロボットタスクポリシーを自律的に構築するフレームワークである。
ランダムな提案や静的レプリケーションに依存するメソッドとは異なり、AGT-Worldは構造化グラフとしてタスク空間を定式化している。
提案手法は,スケーラブルなロボット学習のための提案,実行,修正の自己改善サイクルを達成し,成功率と一般化を著しく上回る。
論文 参考訳（メタデータ） (2026-02-12T15:23:45Z) - RobotArena $\infty$: Scalable Robot Benchmarking via Real-to-Sim Translation [47.79800816696372]
操作ポリシーの現実的なテストは、大規模に労働集約的で、再現が難しい。
既存のシミュレーションベンチマークも同様に制限されており、同じ合成ドメイン内でポリシーをトレーニングおよびテストしている。
本稿では,VLA評価を大規模にシミュレーションした拡張環境に移行することで,これらの課題を克服する新しいベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-27T17:41:38Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z)
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。