Fugu-MT 論文翻訳(概要): Learning to Stack: Cube-Stacking Imitation Learning from Virtual Reality Demonstrations

論文の概要: Learning to Stack: Cube-Stacking Imitation Learning from Virtual Reality Demonstrations

arxiv url: http://arxiv.org/abs/2609.19040v1
Date: Mon, 20 Jul 2026 16:41:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.607814
Title: Learning to Stack: Cube-Stacking Imitation Learning from Virtual Reality Demonstrations
Title（参考訳）: スタックへの学習: バーチャルリアリティのデモから学ぶキューブスタックの模倣
Abstract要約: この研究は、NVIDIA Isaac SimとIsaac Labのカスタム5-DoFアームで立方体スタックのための仮想現実データ収集パイプラインを提示する。 LeRobot-style dual-camera Observation を用いて仮想デモンストレーションから行動閉鎖ポリシーを訓練し,シミュレーションで評価した。
参考スコア（独自算出の注目度）: 0.34410212782758043
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Imitation learning is attractive for robot manipulation, but collecting demonstrations remains a bottleneck for multi-stage tasks requiring repeated scene resets. This work presents a virtual-reality data-collection pipeline for cube-stacking with a custom 5-DoF arm in NVIDIA Isaac Sim and Isaac Lab. Using an HTC Vive Pro 2, Manus Quantum gloves, and OpenXR, an operator provides SE(3) end-effector commands to generate task demonstrations. The proposed framework separates demonstration collection from dataset construction by replaying recorded trajectories, converting task-space commands into joint-space actions, and re-rendering demonstrations with updated sensor or state configurations. This allows previously collected demonstrations to be reused for new observation and action spaces without repeating human teleoperation. The task requires stacking the red cube on the blue cube and the green cube on the red cube, with randomized cube placement. In 30 minutes, 200 virtual demonstrations were collected, compared with 45 real-world demonstrations, and Isaac Mimic generated 100 additional samples. A behavior-cloning policy was trained from the virtual demonstrations using LeRobot-style dual-camera observations and evaluated in simulation.
Abstract（参考訳）: 模倣学習はロボット操作には魅力的なものだが、実演の収集は、繰り返しシーンリセットを必要とするマルチステージタスクのボトルネックであり続けている。この研究は、NVIDIA Isaac SimとIsaac Labのカスタム5-DoFアームで立方体スタックのための仮想現実データ収集パイプラインを提示する。 HTC Vive Pro 2、Manus Quantum gloves、OpenXRを使って、オペレータはSE(3)のエンドエフェクタコマンドでタスクのデモを生成する。提案フレームワークは、記録されたトラジェクトリを再生し、タスクスペースコマンドを共同スペースアクションに変換し、更新されたセンサーや状態設定でデモを再レンダリングすることで、データセット構築からデモコレクションを分離する。これにより、以前に収集したデモを人間の遠隔操作を繰り返すことなく、新しい観測と行動空間のために再利用することができる。このタスクでは、青い立方体に赤い立方体を積み重ね、赤い立方体に緑色の立方体をランダムに配置する必要がある。 30分で、現実世界のデモ45件と比べて200件の仮想的なデモが集められ、アイザック・ミミックは100件の追加サンプルを生成した。 LeRobot-style dual-camera Observation を用いて仮想デモンストレーションから行動閉鎖ポリシーを訓練し,シミュレーションで評価した。

関連論文リスト

Demonstration Synthesis from a Single Scan via Gaussian Splatting for Visuomotor Policy Learning [9.802667292457985]
本稿では,人間の入力として1本のビデオスキャンで実演を大量生成する高忠実度データエンジンを提案する。それぞれのタスクに対して、ターゲット環境と視覚的にマッチするデモをレンダリングし、幾何学的再構成に基づいて純粋にキネマティックに把握および軌道を計画する。
論文参考訳（メタデータ） (2026-09-17T21:52:01Z)
Self Supervised Learning from Automatically Generated Demonstrations for Visual Robotic Manipulation [0.11083289076967894]
本稿では,ロボットがターゲットポーズの周囲のデモを自動的に生成する自己監督型視覚操作手法を提案する。提案されたパイプラインはROS2とIsaac Simを使用して、ロボットに明示的なカメラを必要とせずにラベル付き画像配置ペアを収集する。本手法は、グリッパーと単眼カメラを備えた実際のUR5e協調ロボットにおいて、シミュレーションと双方で評価される。
論文参考訳（メタデータ） (2026-08-01T21:34:39Z)
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)
How to Instruct Your Robot: Dense Language Annotations Power Robot Policy Learning [69.68882580009982]
デモセグメントをVLM生成アノテーションでラベル付けする2段階のアプローチであるDeMiAnを紹介する。学習したインストラクターがタスク記述と初期シーンスナップショットをデプロイ時にタスクに適したアノテーションにマップする。 RoboCasaでは、インストラクターはタスクのみのベースラインで5ポイント成功し、タスクごとのオラクルの3ポイント以内に到達する。
論文参考訳（メタデータ） (2026-05-16T16:52:08Z)
Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文参考訳（メタデータ） (2025-09-11T17:59:07Z)
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)
DemoStart: Demonstration-led auto-curriculum applied to sim-to-real with multi-fingered robots [15.034811470942962]
3本指ロボットハンドを装備した腕の複雑な操作動作を学習できる新しい自己カリキュラム強化学習法であるDemoStartを提案する。シミュレーションからの学習は、行動生成のサイクルを劇的に減らし、ドメインランダム化技術を利用して、ゼロショット・シム・トゥ・リアル転送を成功させる。
論文参考訳（メタデータ） (2024-09-10T16:05:25Z)
CyberDemo: Augmenting Simulated Human Demonstration for Real-World Dexterous Manipulation [27.069114421842045]
CyberDemoは、シミュレーションされた人間のデモを現実世界のタスクに活用するロボット模倣学習の新しいアプローチだ。本研究は,実世界のデクスタラスな操作作業において,シミュレーションされた人間の実演の有意な可能性を実証するものである。
論文参考訳（メタデータ） (2024-02-22T18:54:32Z)
Cross-Domain Transfer via Semantic Skill Imitation [49.83150463391275]
本稿では、例えば人間ビデオなどのソースドメインからのデモンストレーションを利用して、強化学習(RL)を高速化する意味模倣手法を提案する。関節速度のような低レベルな動作を模倣する代わりに、我々のアプローチは「電子レンジを開く」や「ストーブを回す」といった、実証された意味的なスキルのシーケンスを模倣する。
論文参考訳（メタデータ） (2022-12-14T18:46:14Z)
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)

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。