論文の概要: OJOx: Specification-Conditioned Demonstrations for Embodied AI in Construction

• arxiv url: http://arxiv.org/abs/2609.22289v1
• Date: Sun, 13 Sep 2026 21:35:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:59:35.750255
• Title: OJOx: Specification-Conditioned Demonstrations for Embodied AI in Construction
• Title（参考訳）: OJOx: 建設における身体的AIの仕様定義
• Abstract要約: 大規模なエゴセントリックな人体デモが、インボディードインテリジェンスの主要なデータ源になりつつある。 本稿では,実証者が知覚する物理状態の同期記録という,仕様条件による実演を紹介する。 我々は、これを構築のために実現したキャプチャインターフェースであるOJOxを紹介します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large-scale egocentric and whole-body human demonstrations are becoming a primary source of data for embodied intelligence. They record what people perceive and do, but rarely the external specification that gave an action its purpose. In construction that omission is consequential: skilled work is directed at project-specific configurations defined in a design model - configurations not yet present in the environment being observed. A mason's transferable competence is not the geometry of one wall but the ability to realise a new geometry from a specification. We introduce the specification-conditioned demonstration: a synchronised record of the physical state a demonstrator perceives, the intended state supplied to them by an external design, and the behaviour connecting the two. We present OJOx, a capture interface that realises this for construction - delivering design geometry to a headset, anchoring it in the physical workspace, rendering it into a demonstrator's stereo passthrough view, and recording that view synchronously with whole-body and hand motion. We report one fully instrumented session - a 33-component wall laid against a specification that changes while the work proceeds - and check the record against the physical scene through an external camera registered independently of the capture. Recorded sessions remain compatible with existing humanoid retargeting infrastructure and replay onto a Unitree G1 in simulation. The result is a data interface for testing whether embodied policies can learn not merely to imitate demonstrated actions, but to act toward specifications absent from their training experience.
• Abstract（参考訳）: 大規模なエゴセントリックな人体デモが、インボディードインテリジェンスの主要なデータ源になりつつある。 人々が何を認識し、何をするかを記録するが、アクションの目的を与えた外部仕様はめったにない。 熟練した作業は、設計モデルで定義されたプロジェクト固有の構成を指向します。 メイソンの移動可能な能力は1つの壁の幾何学ではなく、仕様から新しい幾何学を実現する能力である。 本稿では,実証者が知覚する物理状態の同期記録,外部設計によりそれらに供給される意図された状態,これら2つを接続する動作について紹介する。 OJOxは、ヘッドセットにデザインの幾何学を提供し、物理的なワークスペースに固定し、デーモンストレーターのステレオ・パススルー・ビューにレンダリングし、ボディ全体と手の動きを同期的に記録する。 フル装備されたセッション - 作業の進行中に変更される仕様に対して配置された33コンポーネントの壁 - を報告し、キャプチャとは独立して登録された外部カメラを通じて物理シーンに対して記録をチェックする。 記録されたセッションは、シミュレーションにおいて既存のヒューマノイドリターゲティングインフラストラクチャと互換性があり、Unitree G1にリプレイされる。 その結果は、具体化されたポリシーが、実証されたアクションを模倣するだけでなく、トレーニング経験から欠如した仕様に向かって行動することを学ぶことができるかどうかをテストするためのデータインターフェースである。

関連論文リスト

• The Model Is Not the Product: A Dual-Pillar Architecture for Local-First Psychological Coaching [51.56484100374058]
  本報告では,iOS アプリケーションである Psych LM について紹介する。 Psych LMは、動作およびライフコーチングアプリケーション用に設計された、目的に構築された、ローカルファーストのランタイム内で、ローカル、オンデバイス言語モデルを実行する。
  論文  参考訳（メタデータ） (2026-05-23T05:49:11Z)
• STABLE: Simulation-Ready Tabletop Layout Generation via a Semantics-Physics Dual System [76.3920413336862]
  シミュレーション可能なテーブルトップシーン生成に適したセマンティックスと物理の二重システムであるSTABLEを提案する。 STABLEはセマンティック共振器と物理共振器の2つの相補的なモジュールで構成されている。 実験により、STABLEはタスク命令に厳密に準拠するシミュレーション可能なテーブルトップシーンを生成することができた。
  論文  参考訳（メタデータ） (2026-05-15T16:18:42Z)
• Physically Grounded 3D Generative Reconstruction under Hand Occlusion using Proprioception and Multi-Contact Touch [3.926587614210279]
  そこで本研究では, メカニカル・アモーダル・オブジェクト再構成とポーズ推定のためのマルチモーダル・物理的手法を提案する。 我々は物理的相互作用信号を利用する: プロリオセプションは、ポーズされたハンドジオメトリと、対象表面が横たわらなければならないマルチコンタクトタッチ制約を提供する。
  論文  参考訳（メタデータ） (2026-04-10T08:32:51Z)
• How Far Are Vision-Language Models from Constructing the Real World? A Benchmark for Physical Generative Reasoning [20.337890525032858]
  物理生成推論のための新しいベンチマークであるDreamHouseを紹介する。 我々はこのベンチマークを、完全に体系化されたエンジニアリング標準を持つ住宅用木枠構築に基礎を置いている。 最終的なアウトプットのみを評価する静的ベンチマークとは異なり、DreamHouseは反復的なエージェントインタラクションをサポートする。
  論文  参考訳（メタデータ） (2026-03-25T23:13:28Z)
• MonoArt: Progressive Structural Reasoning for Monocular Articulated 3D Reconstruction [47.69179070489671]
  単一の画像から明瞭な3Dオブジェクトを再構成するには、限られた視覚的証拠からオブジェクト形状、部分構造、運動パラメータを共同で推測する必要がある。 画像特徴から直接調音を予測するのではなく, 視覚的観察を標準幾何学, 構造的部分表現, 動き認識を単一のアーキテクチャに組み込む, 統合されたフレームワークであるMonoArtを提案する。
  論文  参考訳（メタデータ） (2026-03-19T17:59:52Z)
• URDF-Anything+: Autoregressive Articulated 3D Models Generation for Physical Simulation [45.4820195450296]
  本稿では,視覚的観察から実行可能なオブジェクトモデルを直接生成する,エンドツーエンドの自動回帰フレームワークを提案する。 視覚的観察から構築された高忠実度デジタル双生児は、シミュレーションで訓練されたポリシーを、オンライン適応なしで実際のロボットに転送することができる。
  論文  参考訳（メタデータ） (2026-03-14T16:23:44Z)
• Is Single-View Mesh Reconstruction Ready for Robotics? [78.14584238127338]
  本研究では,ロボット操作のための物理シミュレータを用いたリアルタイム計画と動的予測のためのディジタル双対生成の実現の可能性について,単一ビューメッシュ再構成モデルの評価を行った。 我々の研究は、コンピュータビジョンの進歩とロボティクスの必要性の間に重要なギャップがあることを浮き彫りにし、この交差点における将来の研究を導く。
  論文  参考訳（メタデータ） (2025-05-23T14:35:56Z)
• Rethinking Amodal Video Segmentation from Learning Supervised Signals with Object-centric Representation [47.39455910191075]
  ビデオ・アモーダル・セグメンテーションはコンピュータビジョンにおいて難しい課題である。 近年の研究では、モーションフローを用いて、自己監督された環境下でのフレーム間の情報統合によって、有望な性能を実現している。 本稿では,従来の研究を再考し,特にオブジェクト中心表現を用いた教師付き信号の活用について述べる。
  論文  参考訳（メタデータ） (2023-09-23T04:12:02Z)
• Learning Monocular Depth in Dynamic Scenes via Instance-Aware Projection Consistency [114.02182755620784]
  本稿では,複数の動的物体の6-DoF動作,エゴモーション,深度を,監督なしで一眼レフカメラで明示的にモデル化する,エンドツーエンドのジョイントトレーニングフレームワークを提案する。 筆者らのフレームワークは,最先端の深度・動き推定法より優れていた。
  論文  参考訳（メタデータ） (2021-02-04T14:26:42Z)

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。