論文の概要: VERAGMIL: Virtual Environment for Scooping Granular Foods with Imitation Learning Models

• arxiv url: http://arxiv.org/abs/2608.18258v1
• Date: Tue, 18 Aug 2026 19:18:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.18784
• Title: VERAGMIL: Virtual Environment for Scooping Granular Foods with Imitation Learning Models
• Title（参考訳）: VERAGMIL:模擬学習モデルによる粒状食品のスクーピングのための仮想環境
• Abstract要約: 本稿では,高忠実度シミュレータと直感的なバーチャルリアリティ(VR)インタフェースを組み合わせてデモを録音するフレームワークであるVERAGMILを提案する。 VERAGMILは、ロボット、センサー、さまざまな食品などの粒状物質を扱うためのRAFシステムを訓練するための現実的な環境を提供する。 我々は,3つの模倣学習モデルであるBC,BC-RNN,BCQを評価し,VRインターフェースと3次元空間マウスのデモンストレーションを用いて,粒度のスクーピングと輸送作業について検討した。
• 参考スコア（独自算出の注目度）: 1.2438599523708058
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot-Assisted Feeding (RAF) systems are essential for assisting individuals with disabilities or motor impairments in eating tasks. Manipulating granular food items, such as rice and beans, poses significant challenges due to their dynamic physical properties. Learning from human demonstrations offers a promising solution, but acquiring high-quality demonstrations is complex. To address this, we present VERAGMIL, a framework that combines a high-fidelity simulator with an intuitive Virtual Reality (VR) interface for recording demonstrations and supporting different imitation learning methods. VERAGMIL provides a realistic environment for training RAF systems to handle granular materials, including robots, sensors, and various food items with distinct physical characteristics. We evaluate VERAGMIL by training three imitation learning models, BC, BC-RNN, and BCQ, on granular scooping and transporting tasks using both VR interface and 3D space mouse demonstrations, comparing them with a human-expert baseline. The models are assessed on success rate, spillage, generalization to unseen food items, and task completion time. Results show that VR-based demonstrations significantly outperform 3D space mouse data, with BCQ achieving the best overall performance, particularly in reducing spillage and approaching human performance. These findings underscore the effectiveness of our framework for training RAF systems in granular material handling. The code for our framework is publicly available at: https://github.com/AmanuelErgogo/VERAGMIL.git.
• Abstract（参考訳）: ロボット支援給餌システム(RAF)は、摂食作業において障害のある人や運動障害のある人を支援するために不可欠である。 米や豆などの粒状食品を操作することは、その動的物理的性質のために大きな課題となる。 人間のデモから学ぶことは、有望なソリューションを提供するが、高品質なデモを取得することは複雑である。 そこで本研究では,高忠実度シミュレータと直感的なバーチャルリアリティ(VR)インタフェースを組み合わせて,実演を録音し,様々な模倣学習手法をサポートするフレームワークVERAGMILを提案する。 VERAGMILは、ロボット、センサー、さまざまな食品などの粒状物質を扱うためのRAFシステムを訓練するための現実的な環境を提供する。 我々は,3つの模擬学習モデルであるBC,BC-RNN,BCQをVRインターフェースと3次元空間マウスのデモンストレーションの両方を用いてきめ細かなスクーピングおよび輸送作業で訓練し,人間の経験的ベースラインと比較することによってVERAGMILを評価する。 モデルは、成功率、流出、見えない食品への一般化、タスク完了時間に基づいて評価される。 以上の結果から,VRによる実演は3D空間マウスのデータよりも著しく優れており,BCQは特に流出の低減とヒトのパフォーマンスへのアプローチにおいて,最高の総合的なパフォーマンスを達成していることがわかった。 これらの知見は, 粒状物質処理におけるRAFシステムのトレーニングフレームワークの有効性を裏付けるものである。 私たちのフレームワークのコードは、https://github.com/AmanuelErgogo/VERAGMIL.git.comで公開されています。

関連論文リスト

• From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data [71.22409934108924]
  人間のビデオは豊富で、豊富な相互作用を捉え、現実世界の操作に多様な意味と物理的な手がかりを提供する。 この調査は、人間のビデオがビジョン・ランゲージ・アクション(VLA)モデルの効果的な知識にどのように変換されるか、統一された視点を提供する。 この領域では、非構造化動画をトレーニング可能なエピソードに構造化すること、エンボディメントと視点の不均一性の下でロボットが実行可能なアクションにビデオから制御すること、現実世界の展開性能と転送効率をよりよく予測する評価プロトコルを設計すること、の3つのオープンな課題を強調している。
  論文  参考訳（メタデータ） (2026-05-18T06:19:16Z)
• RoboPearls: Editable Video Simulation for Robot Manipulation [81.18434338506621]
  RoboPearlsは、ロボット操作のための編集可能なビデオシミュレーションフレームワークである。 3D Gaussian Splatting (3DGS)に基づいて構築されたRoboPearlsは、フォトリアリスティックでビュー一貫性のあるシミュレーションの構築を可能にする。 我々は、RLBench、COLOSSEUM、Ego4D、Open X-Embodiment、現実世界のロボットなど、複数のデータセットやシーンで広範な実験を行う。
  論文  参考訳（メタデータ） (2025-06-28T05:03:31Z)
• Learning Generalizable 3D Manipulation With 10 Demonstrations [16.502781729164973]
  10個のデモから操作スキルを学習する新しいフレームワークを提案する。 シミュレーションベンチマークと実世界のロボットシステムの両方に関する広範な実験を通じて、我々のフレームワークを検証する。 この研究は、現実世界のアプリケーションにおいて、効率的で一般化可能な操作スキル学習を前進させる大きな可能性を示している。
  論文  参考訳（メタデータ） (2024-11-15T14:01:02Z)
• 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)
• Adaptive Visual Imitation Learning for Robotic Assisted Feeding Across Varied Bowl Configurations and Food Types [17.835835270751176]
  ロボット支援給餌(RAF)のための空間的注意モジュールを備えた新しい視覚模倣ネットワークを提案する。 本研究では,視覚認識と模倣学習を統合して,ロボットがスクーピング中に多様なシナリオを扱えるようにするためのフレームワークを提案する。 AVIL(adaptive visual mimicion learning, 適応的視覚模倣学習)と呼ばれる我々のアプローチは、異なるボウル構成にまたがる適応性と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-03-19T16:40:57Z)
• Robotic Handling of Compliant Food Objects by Robust Learning from Demonstration [79.76009817889397]
  本稿では,食品に適合する物体をロボットで把握する上で,実証からの学習(LfD)に基づく頑健な学習方針を提案する。 教師の意図した方針を推定し,無矛盾な実演を自動的に除去するLfD学習ポリシーを提案する。 提案されたアプローチは、前述の業界セクターで幅広い応用が期待できる。
  論文  参考訳（メタデータ） (2023-09-22T13:30:26Z)
• iGibson, a Simulation Environment for Interactive Tasks in Large Realistic Scenes [54.04456391489063]
  iGibsonは、大規模な現実的なシーンにおける対話的なタスクのためのロボットソリューションを開発するための、新しいシミュレーション環境である。 私たちの環境には、厳密で明瞭な物体が密集した15のインタラクティブなホームサイズシーンが含まれています。 iGibsonの機能はナビゲーションエージェントの一般化を可能にし、人間-iGibsonインターフェースと統合されたモーションプランナーは、単純な人間の実演行動の効率的な模倣学習を促進する。
  論文  参考訳（メタデータ） (2020-12-05T02:14:17Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)
• Transferable Active Grasping and Real Embodied Dataset [48.887567134129306]
  ハンドマウント型RGB-Dカメラを用いて把握可能な視点を探索する方法を示す。 現実的な3段階の移動可能な能動把握パイプラインを開発し、未確認のクラッタシーンに適応する。 本研究のパイプラインでは,カテゴリ非関連行動の把握と確保において,スパース報酬問題を克服するために,新しいマスク誘導報酬を提案する。
  論文  参考訳（メタデータ） (2020-04-28T08:15:35Z)

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。