論文の概要: AtomEgo: Exploring Ego-Robot Integration for Embodied Foundation Model Pretraining
- arxiv url: http://arxiv.org/abs/2609.21461v1
- Date: Fri, 18 Sep 2026 08:11:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.928834
- Title: AtomEgo: Exploring Ego-Robot Integration for Embodied Foundation Model Pretraining
- Title（参考訳）: AtomEgo: Ego-Robot統合を探求するEmbodied Foundation Model Pretraining
- Abstract要約: 身体的基礎モデルは、ロボットのデモンストレーションの限られた規模と多様性に制約されている。
約2,659時間培養したコーパスで支援されたエゴロボットの協調訓練に関する系統的研究を行った。
- 参考スコア（独自算出の注目度）: 7.286498840976614
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Embodied foundation models are constrained by the limited scale and diversity of robot demonstrations, motivating the use of large-scale egocentric human interaction data. However, how to effectively incorporate such data into embodied-model pre-training remains unclear because of substantial embodiment and action-space gaps between humans and robots. We present AtomEgo, a systematic study of ego--robot co-training supported by a curated corpus of approximately 2,659 hours and a scalable data processing pipeline. Across vision--language--action and world--action model architectures, we investigate three representative paradigms: joint co-training with domain-specific action heads, progressive ego-to-robot transfer through embodiment alignment, and joint video--action modeling. We evaluate these paradigms through multi-task real-robot experiments and language-conditioned cross-embodiment representation analysis. Our results reveal a simple principle: Data Scale * Alignment Quality --> Capability Gain; egocentric data can improve generalization, but their value depends on how effectively they are aligned and utilized. This principle can provide practical guidance for scalable ego--robot pre-training.
- Abstract（参考訳）: 身体的基礎モデルは、ロボットのデモの限られた規模と多様性に制約されており、大規模な人間中心の対話データの利用を動機付けている。
しかし、人間とロボットの間にかなりのエンボディメントと行動空間のギャップがあるため、そのようなデータを具体化モデルの事前訓練に効果的に組み込む方法は不明である。
我々は、約2,659時間のコーパスとスケーラブルなデータ処理パイプラインによって支援されたego-robotコトレーニングの体系的研究であるAtomEgoを紹介する。
視覚-言語-アクションと世界-アクションモデルアーキテクチャの3つのパラダイムについて検討し、ドメイン固有のアクションヘッドとの協調訓練、エンボディメントアライメントによる進歩的エゴ-ロボット間移動、および共同ビデオ-アクションモデリングについて述べる。
マルチタスク実ロボット実験と言語条件のクロス・エボディメント表現分析により,これらのパラダイムを評価する。
データスケール * アライメント品質 --> 能力向上; 自我中心のデータは一般化を改善することができるが、それらの価値は、いかに効果的に整列化され、活用されているかに依存する。この原則は、スケーラブルなego-robot事前学習のための実践的なガイダンスを提供することができる。
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) - Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [60.94418315274988]
Ego2Robotは、キュレートされたビデオとインザワイルドのビデオの両方をサポートし、15のロボット形態にまたがる18,561時間のトレーニングデータを生成する。
Ego2Robotの合成データとロボットデータの併用による事前学習は、複数のタイプにわたるアウト・オブ・ディストリビューションの一般化を一貫して改善する。
論文 参考訳（メタデータ） (2026-08-03T17:52:26Z) - HumanScale: Egocentric Human Video Can Outperform Real-Robot Data for Embodied Pretraining [93.5192770515694]
Embodied foundation modelは、大きな言語モデルのようなデータスケーリングの恩恵を受けることが期待されているが、より厳密なデータボトルネックに直面している。
遠隔操作された実ロボット軌道は、正確な行動監督と実施の整合性のために、訓練前の主流の源である。
エゴセントリックなデータに基づいて事前訓練された基礎モデルは、実ロボットアクション予測において24%低い検証損失を達成する。
論文 参考訳（メタデータ） (2026-06-18T17:37:34Z) - GazeVLA: Learning Human Intention for Robotic Manipulation [22.106797717672293]
エボディード・ファンデーション・モデルは、ロボット操作において大きなブレークスルーを達成したが、それでも大規模なロボットのデモンストレーションに大きく依存している。
人間の行動の根底にある意図は、このギャップを埋めるための強力な中間表現として役立つと我々は主張する。
本稿では,ロボット操作を容易にするための人間の意図を明示的に学習し,伝達する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-24T14:46:03Z) - EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。
スケーラブルな人的データ収集のためのポータブルシステムを開発した。
論文 参考訳（メタデータ） (2026-02-10T18:59:03Z) - DIRIGENt: End-To-End Robotic Imitation of Human Demonstrations Based on a Diffusion Model [16.26334759935617]
本研究では,人間の実演の観察から共同価値を生成するための新しいエンドツーエンド拡散手法であるDIRIGENtを紹介する。
我々は、人間がロボットを模倣するデータセットを作成し、この収集されたデータを使って、ロボットが人間を模倣できる拡散モデルを訓練する。
論文 参考訳（メタデータ） (2025-01-28T09:05:03Z) - Mitigating the Human-Robot Domain Discrepancy in Visual Pre-training for Robotic Manipulation [16.809190349155525]
そこで本研究では,容易に利用可能な人間ロボットのビデオデータを利用して,ドメインギャップを埋める新しい適応パラダイムを提案する。
提案手法では,人間とロボットのビデオのセマンティクスを整列させるために,人間ロボットのアライメント損失を用いて,事前学習したモデルをパラメータ効率よくロボット領域に適応させる。
論文 参考訳（メタデータ） (2024-06-20T11:57:46Z) - Learning Predictive Models From Observation and Interaction [137.77887825854768]
世界との相互作用から予測モデルを学ぶことで、ロボットのようなエージェントが世界がどのように働くかを学ぶことができる。
しかし、複雑なスキルのダイナミクスを捉えるモデルを学ぶことは大きな課題である。
本研究では,人間などの他のエージェントの観察データを用いて,トレーニングセットを増強する手法を提案する。
論文 参考訳（メタデータ） (2019-12-30T01:10:41Z)
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。