論文の概要: The Robot Data Factory
- arxiv url: http://arxiv.org/abs/2609.16705v1
- Date: Tue, 15 Sep 2026 06:30:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.374828
- Title: The Robot Data Factory
- Title（参考訳）: ロボットデータファクトリー
- Abstract要約: 我々はミッション駆動型インフラであるRobot Data Factory (RDF)を紹介した。
RDFは、再現可能なミッション、スキルカリキュラム、同期されたマルチモーダルセンシング、外部の真実、エージェントロボットネットワーク、データパイプライン、生きたベンチマークを通じて、異種ロボットと環境固有のトレーニンググラウンドを編成する。
我々はさらにロボットの経験とその品質を定式化し、ミッションタスク・スキル・エポソード・データセット・ベンチマーク・能力階層を導入し、定量的なスケーリング法則と、ロボットの船体サイズ、センサーレート、ストレージ、学習表現、トークン化、訓練計算を連結するアルゴリズム手順を導出する。
- 参考スコア（独自算出の注目度）: 35.46679263015648
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical AI requires more than increasingly large robot datasets: intelligent robots acquire knowledge through continuous interaction with the physical world. We argue that the defining scientific resource of Physical AI is therefore not raw robot data alone, but robot experience - physically grounded interaction whose observations, actions, embodiment, context, and outcomes preserve the perception-action-consequence loop. We introduce the Robot Data Factory (RDF), a mission-driven infrastructure and methodology for continuously generating, validating, benchmarking, and reusing such experience. RDF organizes heterogeneous robots and environment-specific training grounds through reproducible missions, skill curricula, synchronized multimodal sensing, external ground truth, an agentic robot network, data pipelines, and living benchmarks. Rather than treating datasets as static end products, RDF implements a closed Deploy-Measure-Learn-Repeat cycle in which validated physical experience supports world models, vision-language-action models, embodied policies, digital twins, and subsequent robot deployment. We further formalize robot experience and its quality, introduce a mission-task-skill-episode-dataset-benchmark-capability hierarchy, and derive quantitative scaling laws and an algorithmic synthesis procedure connecting robot fleet size, sensor rates, storage, learning representations, tokenization, training compute, inference, and latency to Embodied-AI cluster requirements. The framework is instantiated in three complementary physical training grounds for domestic, environmental, and energy applications. RDF thus reframes robot data generation as a continuous scientific production process and provides a pathway toward reproducible, scalable, and eventually federated infrastructure for Physical AI.
- Abstract（参考訳）: 知的ロボットは、物理的な世界との継続的な相互作用を通じて知識を得る。
物理AIの定義する科学資源は、生のロボットデータだけではなく、観察、行動、実施、文脈、結果が知覚-行動-結果ループを保存する物理的に基盤付けられた相互作用である、と我々は主張する。
我々は、ミッション駆動のインフラと方法論であるRobot Data Factory (RDF)を紹介し、その経験を継続的に生成し、検証し、ベンチマークし、再利用する。
RDFは、再現可能なミッション、スキルカリキュラム、同期されたマルチモーダルセンシング、外部の真実、エージェントロボットネットワーク、データパイプライン、生きたベンチマークを通じて、異種ロボットと環境固有のトレーニンググラウンドを編成する。
データセットを静的エンド製品として扱う代わりに、RDFはクローズドなDeploy-Measure-Learn-Repeatサイクルを実装している。
さらに,ロボットの体験とその品質を形式化し,ミッションタスク・スキル・エポソード・データセット・ベンチマーク・キャパビリティ階層を導入し,定量的なスケーリング法則と,ロボットの艦隊サイズ,センサレート,ストレージ,学習表現,トークン化,トレーニング計算,推論,Embodied-AIクラスタ要求への遅延を結合するアルゴリズム合成手順を導出する。
このフレームワークは、国内、環境、エネルギーの応用のための3つの補完的な物理的訓練場でインスタンス化されている。
RDFは、ロボットデータ生成を継続的な科学的生産プロセスとして再編成し、再現性、拡張性、最終的には物理AIのための統合されたインフラへの道筋を提供する。
関連論文リスト
- RoboSynChallenge: Mastering Real-World Dexterity via Generalizing Synthesized Manipulation Skills [90.48218237655708]
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。
論文 参考訳（メタデータ） (2026-08-12T04:29:00Z) - Data Standards for Humanoid Robotics: The Missing Infrastructure for Physical AI [24.21963728682223]
我々は、データ標準が物理AIの基礎的な基盤になりつつあると論じる。
AIが画面から体へと移動するにつれて、データ標準は、デジタル情報の編成から物理的相互作用の構造化へと進化しなければなりません。
論文 参考訳（メタデータ） (2026-06-18T04:10:16Z) - DataLadder: A Simulation-Enabled Interconversion Toolchain for the Embodied Data Pyramid [63.45560198934907]
ジェネラリストロボットポリシーは、信頼できる評価とロボット使用可能なトレーニングデータを必要とする。
本稿では,人間ロボットによるモデル評価とデータ生成のためのシミュレーション可能な変換ツールチェーンであるDataLadderを提案する。
JD Cloud上のクラウドサービスとして、コア再構築、シミュレーション、レンダリング、リアリズム拡張モジュールをパッケージ化します。
論文 参考訳（メタデータ） (2026-06-15T14:21:35Z) - Generative Simulation for Policy Learning in Physical Human-Robot Interaction [11.978357519356537]
多様なpHRIシナリオを自動的に合成するゼロショット「text2sim2real」生成シミュレーションフレームワークを提案する。
我々はこのフレームワークを利用して、大規模合成デモデータセットを自律的に収集する。
学習方針はゼロショット・シム・トゥ・リアル・トランスファーの実現に成功し、成功率は80%を超えました。
論文 参考訳（メタデータ） (2026-04-09T18:00:05Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - Curate, Connect, Inquire: A System for Findable Accessible Interoperable and Reusable (FAIR) Human-Robot Centered Datasets [2.9620440248101967]
ロボット工学におけるAIの急速な成長は、高品質で再利用可能なデータセットの必要性を増幅した。
この分野におけるオープンデータの状況は、キュレーション標準の欠如と一貫した出版慣行のために不均一である。
本稿では,2つの主要なコントリビューションを持つキュレーションとアクセスシステムを提案する。
論文 参考訳（メタデータ） (2025-05-30T20:48:32Z) - RoboScript: Code Generation for Free-Form Manipulation Tasks across Real
and Simulation [77.41969287400977]
本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。
自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。
我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
論文 参考訳（メタデータ） (2024-02-22T15:12:00Z) - AutoRT: Embodied Foundation Models for Large Scale Orchestration of Robotic Agents [109.3804962220498]
AutoRTは、人間の監督を最小限に抑えて、完全に見えないシナリオで運用ロボットの展開をスケールアップするシステムである。
われわれはAutoRTが複数の建物にまたがる20以上のロボットに指示を提示し、遠隔操作と自律ロボットポリシーを通じて77万個の実ロボットエピソードを収集するデモを行った。
実験により,AutoRTが収集した「未使用データ」は極めて多種多様であり,AutoRTのLLMを使用することで,人間の好みに合わせることができるデータ収集ロボットの指示が可能であることを実証した。
論文 参考訳（メタデータ） (2024-01-23T18:45:54Z) - RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。
実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
論文 参考訳（メタデータ） (2022-12-13T18:55:15Z) - SAGCI-System: Towards Sample-Efficient, Generalizable, Compositional,
and Incremental Robot Learning [41.19148076789516]
上記の4つの要件を満たすために,SAGCIシステムと呼ばれる体系的な学習フレームワークを導入する。
本システムはまず,ロボットの手首に搭載されたカメラによって収集された生点雲を入力とし,URDFに代表される周囲環境の初期モデリングを生成する。
そのロボットは、対話的な知覚を利用して環境と対話し、URDFのオンライン検証と修正を行う。
論文 参考訳（メタデータ） (2021-11-29T16:53:49Z) - HARPS: An Online POMDP Framework for Human-Assisted Robotic Planning and
Sensing [1.3678064890824186]
HARPS(Human Assisted Robotic Planning and Sensing)フレームワークは、ロボットチームにおけるアクティブなセマンティックセンシングと計画のためのフレームワークである。
このアプローチにより、人間が不規則にモデル構造を強制し、不確実な環境で意味的なソフトデータの範囲を拡張することができる。
大規模部分構造環境におけるUAV対応ターゲット探索アプリケーションのシミュレーションは、時間と信念状態の推定において著しく改善されている。
論文 参考訳（メタデータ） (2021-10-20T00:41:57Z)
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。