論文の概要: Video2DoorTraversal: Push Door Traversal via Simulated Door Twins
- arxiv url: http://arxiv.org/abs/2608.20251v1
- Date: Thu, 20 Aug 2026 16:46:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.654099
- Title: Video2DoorTraversal: Push Door Traversal via Simulated Door Twins
- Title（参考訳）: Video2DoorTraversal:シミュレートドア・ツインによるプッシュドア・トラバース
- Abstract要約: Video2DoorTraversal(ビデオ2ドアトラバーサル)は、車輪のついた移動体マニピュレータのための実物から実物へのフレームワークである。
DoorTwinは、リアルな幾何学と外観で、インスタンス整列、調音、シミュレーション可能なドアツインを再構築する。
システムは5つの実際のドアの平均成功率96.57%、構造的に類似しないドアでのゼロショット成功率80.95%を達成する。
- 参考スコア（独自算出の注目度）: 22.370408659165516
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Door opening and traversal is a long-horizon loco-manipulation task that requires precise handle interaction and coordinated base-arm control. We present Video2DoorTraversal, a single-video real-to-sim-to-real framework for wheel-legged mobile manipulators. Given one RGB video of a real door, DoorTwin reconstructs an instance-aligned, articulated, and simulation-ready door twin with realistic geometry and appearance. A simulation-in-the-loop agent converts the recovered articulation into a parameterized skill program and iteratively refines failed rollouts to generate physically executable demonstrations. These demonstrations are used to train ArticuACT, a dual-depth policy that predicts coordinated base, arm, and gripper commands using robot-centric camera conditioning and interaction-aware supervision. With all perception and policy inference running onboard, the system achieves a 96.57% average success rate across five real doors and an 80.95% zero-shot success rate on structurally similar unseen doors, while completing the full approach, opening, and traversal sequence in approximately 13s on average. Project Page: https://video2doortraversal.github.io/.
- Abstract（参考訳）: ドアオープニングとトラバース(Door opening and traversal)は、正確なハンドリングインタラクションと調整されたベースアーム制御を必要とする長い水平ロコ操作タスクである。
本稿では、車輪脚式移動マニピュレータのための1ビデオからシミュレート・リアルなフレームワークであるVideo2DoorTraversalを紹介する。
DoorTwinは、実際のドアの1つのRGBビデオから、リアルな幾何学と外観で、インスタンスアラインで、明瞭で、シミュレーション可能なドアツインを再構築する。
シミュレーション・イン・ザ・ループエージェントは、回収された調音をパラメータ化されたスキルプログラムに変換し、失敗したロールアウトを反復的に洗練し、物理的に実行可能なデモを生成する。
これらのデモは、ロボット中心のカメラコンディショニングとインタラクション・アウェア・インスペクションを使用して、調整されたベース、アーム、グリップパーコマンドを予測するデュアルディープポリシーであるArticuACTのトレーニングに使用される。
あらゆる認識と政策推論が実行され、システムは5つの実際のドアの平均成功率96.57%、構造的に類似しないドアでのゼロショット成功率80.95%を達成し、平均13秒で完全なアプローチ、オープン、トラバースのシーケンスを完了した。
Project Page: https://video2doortraversal.github.io/.com
関連論文リスト
- DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。
DemoBridgeの中核は、衝突を意識した単一のプランナーである。
物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
論文 参考訳（メタデータ） (2026-07-10T15:31:04Z) - GenVid2Robot: From Video Generation to Robot Manipulation via Rigid-Geometric Consistency [19.566368780107613]
GenVid2Robotは、生成されたビデオモーションを実行可能なリアルタイムロボット操作トラジェクトリに変換するフレームワークである。
実験により、GenVid2Robotは、視運動前兆を粗いメトリ幾何でグラウンドすることで、生成ビデオ誘導操作の信頼性を向上させることが示された。
論文 参考訳（メタデータ） (2026-07-10T08:32:47Z) - GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。
GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。
我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。
GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
論文 参考訳（メタデータ） (2026-06-03T17:57:45Z) - GEM-4D: Geometry-Enhanced Video World Models for Robot Manipulation [72.52773248997929]
ビデオワールドモデルは、1つの命令から現実的な未来を生成できるが、時間とともに一貫したポイントレベルの動きを維持できないことが多い。
GEM-4Dは、トレーニング中にビデオ生成バックボーンに高密度な4D対応制御を注入する幾何学的地上ビデオワールドモデルである。
Inverse dynamicsモジュールは、対応性のあるビデオロールアウトを実行可能なロボットトラジェクトリに変換し、現実世界とシミュレーション操作の両方で直接デプロイできる。
論文 参考訳（メタデータ） (2026-05-20T21:36:44Z) - Diffusion Policy for Coordinated Control of a Nonholonomic Mobile Base and Dual Arms in Door Opening and Passing [14.349955369012433]
人間は自然に両腕を巧妙に使い、ハンドルを回転させ、隙間を広げ、ドアを握り、必要に応じて腕を交換し、クリアランスを維持しながら移動させる。
このような動作を再現するためには、ロボットは複数のステージにまたがる長い動きとドアの異なる部分との相互作用を実行する必要がある。
模倣学習の最近の進歩は、スケーラブルな代替手段を提供するが、既存の視覚行動モデルでは、ドアの開口と通過の完全なタスクのために、非ホロノミックベースと両腕の同時調整を実証していない。
論文 参考訳（メタデータ） (2026-05-14T19:23:46Z) - DRAW2ACT: Turning Depth-Encoded Trajectories into Robotic Demonstration Videos [24.681248200255975]
ビデオモデルは、組み込みAIのための強力な現実世界シミュレータを提供するが、ロボット操作の制御性には制限がある。
入力軌跡から複数の表現を抽出するトラジェクトリ条件付きビデオ生成フレームワークであるDRAW2ACTを提案する。
DRAW2ACTは、既存のベースラインよりも高い操作成功率を示しながら、より優れた視覚的忠実度と一貫性を実現する。
論文 参考訳（メタデータ） (2025-12-16T09:11:36Z) - Opening the Sim-to-Real Door for Humanoid Pixel-to-Action Policy Transfer [59.02729900344616]
GPUを加速したフォトリアリスティックなシミュレーションは、ロボット学習のためのスケーラブルなデータ生成パスを開いた。
視覚に基づくヒューマノイドロコ操作のための教師-学生-ブートストラップ学習フレームワークを開発した。
これは、純粋なRGB知覚を用いた多様な調音ロコ操作が可能な初めてのヒューマノイド・シム・トゥ・リアル政策である。
論文 参考訳（メタデータ） (2025-11-30T20:07:13Z) - PoseDiff: A Unified Diffusion Model Bridging Robot Pose Estimation and Video-to-Action Control [67.17998939712326]
本稿では,ロボットの状態推定と制御を単一のフレームワーク内で統一する条件拡散モデルPoseDiffを提案する。
中心となるPoseDiffは、生の視覚を3Dキーポイントや関節角などの構造化されたロボットの状態にマッピングする。
この基盤の上に構築されたPoseDiffは、ビデオからアクションへの逆ダイナミクスに自然に拡張する。
論文 参考訳（メタデータ） (2025-09-29T10:55:48Z) - Learning to Open and Traverse Doors with a Legged Manipulator [15.61741273027262]
そこで我々は,手足のマニピュレータによるドアの開閉・移動のための学習型制御器を提案する。
教師-学生によるシミュレーション手法を用いて,頑健なタスク行動の学習を行う。
これまでのやり方と違って、弊社のやり方は、プッシュとプルの両方のドアを扱える単一のコントロールポリシーだ。
論文 参考訳（メタデータ） (2024-09-07T18:27:46Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳（メタデータ） (2024-05-02T17:56:55Z)
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。