論文の概要: A Sim-to-Real Integration Pipeline for Training and Deployment of Chunk-Based VLA Manipulation Policies

• arxiv url: http://arxiv.org/abs/2609.21817v1
• Date: Fri, 18 Sep 2026 14:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.145352
• Title: A Sim-to-Real Integration Pipeline for Training and Deployment of Chunk-Based VLA Manipulation Policies
• Title（参考訳）: チャンクベースVLAマニピュレーションポリシのトレーニングと展開のためのSim-to-Real統合パイプライン
• Abstract要約: VLA(Vision-Language-Action)モデルは、マルチモーダル入力をロボットアクションにマッピングするための重要なパラダイムとなっている。 これらのモデルのトレーニングと評価には、大規模な実世界デモの収集が必要である。 このボトルネックに対処する,オープンソースのsim-to-real実験プロトコルを提案する。
• 参考スコア（独自算出の注目度）: 7.704461099776405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA) models have become a prominent paradigm for mapping multimodal inputs, including semantic instructions, visual observations of the scene, and proprioceptive observations, to robot actions. Most state-of-the-art models predict actions in the end-effector pose space as sequences of action chunks. Training and evaluating these models requires large-scale collections of real-world demonstrations, pairing robot actions with the corresponding visual and proprioceptive observations. Collecting such data on real hardware typically relies on human teleoperation, making the process costly, time-consuming, and difficult to scale. We present an open-source sim-to-real experimental protocol that addresses this bottleneck: expert trajectories generated in simulation are replayed open-loop on a real Franka FR3 setup, where the corresponding real visual and proprioceptive observations are recorded and converted into a format compatible with VLA training. The same deployment stack is then reused, in closed-loop, to evaluate a trained policy on that setup, so that data collection and evaluation share an identical hardware configuration. Because each real recording is paired with the simulated trajectory that produced it, the protocol also yields a direct measurement of the sim-to-real gap. We release the collected datasets on Hugging Face together with the pipeline source code https://gitlab.isir.upmc.fr/kappel/sim2real_public_chunk_control.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、セマンティックインストラクション、シーンの視覚的観察、固有受容的観察などのマルチモーダルインプットをロボット行動にマッピングするための重要なパラダイムとなっている。 ほとんどの最先端モデルでは、エンドエフェクタのアクションはアクションチャンクのシーケンスとしてスペースをポーズする。 これらのモデルのトレーニングと評価には、実世界のデモの大規模な収集、ロボットのアクションとそれに対応する視覚的および受容的観察とのペアリングが必要である。 実際のハードウェア上でそのようなデータを収集することは、通常、人間の遠隔操作に依存し、そのプロセスはコストがかかり、時間がかかり、スケールが難しくなる。 本稿では,このボトルネックに対処する,オープンソースのsim-to-real実験プロトコルを提案する。シミュレーションで生成されたエキスパートトラジェクトリは,実際のFranka FR3セットアップ上でオープンループで再生される。 同じデプロイメントスタックがクローズドループで再利用され、そのセットアップ上でトレーニングされたポリシが評価され、データ収集と評価が同じハードウェア構成を共有する。 各実記録は、それを生成したシミュレートされた軌跡とペアリングされるため、プロトコルはまた、シミュレート・トゥ・リアルギャップを直接測定する。 Hugging Faceで収集したデータセットとパイプラインのソースコード https://gitlab.isir.upmc.fr/kappel/sim2real_public_chunk_control をリリースします。

関連論文リスト

• FluxVLA Engine: A One-Stop VLA Engineering Platform for Embodied Intelligence [21.911710953682256]
  $mathrmFluxVLA$はオープンで構成駆動のプラットフォームで、不均一なエンボディされたコンポーネントをデータからデプロイのワークフローに変換する。 $mathrmFluxVLA$は、データセット、ビジュアル言語および世界モデル、アクションヘッド、報酬または有利な学習、分散トレーニング、シミュレーション評価、最適化推論、ロボットオペレータのインターフェースを標準化する。
  論文  参考訳（メタデータ） (2026-09-15T13:59:09Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
  既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。 拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。 推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:03:31Z)
• Measuring and Mitigating the Distributional Gap Between Real and Simulated User Behaviors [61.610957638373826]
  本研究では,実際のユーザ行動とシミュレーションユーザ行動の分布ギャップを計測する手法を提案する。 実会話とシミュレーション会話のデータセットが与えられた場合,本手法は各会話からユーザ行動の表現を抽出する。 ほとんどのシミュレータも同様に振る舞うが、いくつかは独立している。
  論文  参考訳（メタデータ） (2026-05-08T15:09:25Z)
• Asset Harvester: Extracting 3D Assets from Autonomous Driving Logs for Simulation [63.01022057888141]
  Asset Harvesterはイメージ・ツー・3Dモデルとエンドツーエンドのパイプラインで、実際の運転ログからスパース・イン・ザ・ワン・オブジェクトの観察を完全なシミュレーション可能なアセットに変換する。 SparseViewDiTは、限定角度ビューやその他の実世界のデータ課題に対処するように明示的に設計されている。
  論文  参考訳（メタデータ） (2026-04-20T16:20:57Z)
• The Artificial Scientist -- in-transit Machine Learning of Plasma Simulations [32.40273928214554]
  シミュレーションデータを機械学習(ML)フレームワークに直接ストリーミングするストリーミングワークフローを実演する。 提示されたワークフローでは、データ操作は共通で使いやすいプログラミング言語で実行できる。
  論文  参考訳（メタデータ） (2025-01-06T20:58:27Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。