論文の概要: One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation
- arxiv url: http://arxiv.org/abs/2608.26058v1
- Date: Wed, 26 Aug 2026 17:27:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.986918
- Title: One Policy, Many Embodiments: Unified Camera-Centric Action Geometry Pre-training for Heterogeneous Embodied Manipulation
- Title(参考訳): 一つの方針と多くの身体的要素:不均一な身体的操作のための統一カメラ中心アクション幾何学の事前訓練
- Abstract要約: UCAG-Pはカメラ中心の統一されたアクション定式化であり、異種エンボディドデータセットを共有された幾何学的アクション空間に整列させる。
幾何条件のアクショントランスレータは、予測運動と目標身体運動を結合して実行可能な制御を生成する。
UCAG-Pは、ロボットとシミュレーションデータの4.03K時間、人間のデモンストレーションの2.34K時間で訓練されている。
- 参考スコア(独自算出の注目度): 17.443768996704033
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scaling generalist vision-language-action (VLA) policies is severely bottlenecked by the inherent heterogeneity of embodied data, which spans diverse robot morphologies, camera configurations, and low-level action spaces. Existing paradigms typically address this mismatch through explicit action retargeting, human-to-robot video synthesis, or dataset-specific adaptation branches, fundamentally hindering the joint learning of a unified policy. We introduce UCAG-P, a camera-centric unified action formulation that structurally aligns heterogeneous embodied datasets into a shared geometric action space. Rather than treating robot-specific commands as the shared policy target, UCAG-P represents manipulation through camera-observable anchor motion in image and camera-frame coordinates, treating robot arms, humanoids, and human hands as different embodiments of a common action schema. A geometry-conditioned action translator combines predicted motion with target-embodiment kinematics to produce executable controls. The resulting decoupled architecture allows a shared VLA policy to learn transferable manipulation geometry while retaining embodiment-specific controllability. UCAG-P is trained on 4.03K hours of robot and simulation data and 2.34K hours of human demonstrations. A single checkpoint reaches 98.3% on LIBERO, 88.7% and 89.2% on RoboTwin Easy and Hard, 82.0% zero-shot on LIBERO-Plus, and 62.0% on RoboCasa GR-1, without benchmark-specific fine-tuning.
- Abstract(参考訳): 一般的な視覚-言語-アクション(VLA)ポリシーのスケーリングは、多様なロボット形態、カメラ構成、低レベルのアクション空間にまたがる、エンボディデータ固有の不均一性によって著しくボトルネックになっている。
既存のパラダイムは、明示的なアクション再ターゲティング、人間とロボットのビデオ合成、データセット固有の適応ブランチを通じて、このミスマッチに対処する。
カメラ中心の統一アクション定式化であるUCAG-Pを導入し、不均一なエンボディドデータセットを共有幾何学的アクション空間に構造的に整列する。
UCAG-Pは、ロボット固有のコマンドを共有ポリシーのターゲットとして扱うのではなく、画像やカメラフレームの座標におけるカメラ観測可能なアンカーの動きを通じて操作を表現し、ロボットアーム、ヒューマノイド、人間の手を共通のアクションスキーマの異なる実施形態として扱う。
幾何条件のアクショントランスレータは、予測運動と目標身体運動を結合して実行可能な制御を生成する。
結果として生じる疎結合アーキテクチャにより、共有VLAポリシーは、エンボディメント固有の制御性を保ちながら、転送可能な操作の幾何を学ぶことができる。
UCAG-Pは、ロボットとシミュレーションデータの4.03K時間、人間のデモの2.34K時間で訓練されている。
1回のチェックポイントは、LIBEROで98.3%、RoboTwin Easy and Hardで88.7%、89.2%、LIBERO-Plusで82.0%、RoboCasa GR-1で62.0%に達する。
関連論文リスト
- AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。
私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。
大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
論文 参考訳(メタデータ) (2026-08-29T12:55:15Z) - Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。
我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。
訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
論文 参考訳(メタデータ) (2026-08-18T17:59:30Z) - DyPES-VLA: Learning Shared Dynamics Priors and Embodiment-Specific Control for Cross-Embodiment Manipulation [18.601805553878638]
DyPES-VLAは、DyPES-VLA(英語版)であり、共有されたダイナミクス優先順位と身体特性制御を学習する。
一般化政策として,本手法はシミュレーションや実世界の評価において最先端の性能を実現する。
論文 参考訳(メタデータ) (2026-08-06T17:59:20Z) - CORE: Common Outcome Regularities from Action-Free Visual Demonstrations for Robot Manipulation [26.48033419994886]
COREは、視覚的なデモンストレーションから共通アウトカム規則を抽出するポリシー学習フレームワークである。
同じタスクで成功した軌道は多種多様であるが、その終端状態はしばしば安定したオブジェクト構成を共有する。
論文 参考訳(メタデータ) (2026-06-28T17:27:23Z) - SPACE: Enabling Learning from Cross-Robot Data Toward Generalist Policies [20.583080585659513]
状態予測および適応コマンド実行(SPACE)フレームワークを紹介する。
SPACEは、異なる実施形態、同じ実施形態のハードウェアユニット、操作中の1つのロボット内での3段階のロボットダイナミクスの変動を処理します。
実験により、SPACEは異なる実施形態および同じ実施形態のハードウェアユニット間で収集されたデータから学習する際に、制御コマンドを直接予測するポリシーを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2026-06-23T01:32:40Z) - Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments [96.23886784364997]
身体的な知性は、操作やナビゲーションといった個々のタスクのための特別なモデルを通してしばしば研究される。
本稿では,Qwenの視覚言語モデリングスタックを連続的な動作と軌道生成に拡張した統一的な基礎モデルであるQwen-VLAを提案する。
論文 参考訳(メタデータ) (2026-05-28T17:36:31Z) - 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) - 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) - The One RING: a Robotic Indoor Navigation Generalist [58.30694487843546]
RING (Robotic Indoor Navigation Generalist) は、あらゆる移動ロボットを効果的な屋内セマンティックナビゲータに変えるための具体的方針である。
完全にシミュレーションで訓練されたRingは、ロボットによる大規模なランダム化を利用して、多くの現実世界のプラットフォームに堅牢な一般化を可能にする。
論文 参考訳(メタデータ) (2024-12-18T23:15:41Z) - IRASim: A Fine-Grained World Model for Robot Manipulation [24.591694756757278]
本稿では,ロボットとオブジェクトのインタラクションの詳細を詳細に表現したビデオを生成する新しい世界モデルIRASimを提案する。
拡散変圧器を訓練し、各変圧器ブロック内に新しいフレームレベル動作条件モジュールを導入し、アクションフレームアライメントを明示的にモデル化し強化する。
論文 参考訳(メタデータ) (2024-06-20T17:50:16Z) - Self-Supervised Motion Retargeting with Safety Guarantee [12.325683599398564]
本研究では、人型ロボットのモーションキャプチャーデータやRGBビデオから自然な動きを生成できるデータ駆動モーション法を提案する。
本手法は、CMUモーションキャプチャデータベースとYouTubeビデオの両方から表現型ロボットモーションを生成することができる。
論文 参考訳(メタデータ) (2021-03-11T04:17:26Z)
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。