論文の概要: H2RBench: A Real-to-Sim Benchmark for Evaluating Human-to-Robot Transfer

• arxiv url: http://arxiv.org/abs/2609.24778v2
• Date: Tue, 22 Sep 2026 18:08:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.669931
• Title: H2RBench: A Real-to-Sim Benchmark for Evaluating Human-to-Robot Transfer
• Title（参考訳）: H2RBench:人間とロボットの移動を評価するためのリアルタイムベンチマーク
• Abstract要約: H2RBenchは、人間とロボットの移動方法を評価するためのReal2Simベンチマークである。 H2RBenchを用いて,各手法が人間の実演量でどのようにスケールするかを系統的に特徴付ける。 その結果,H2RBenchは実世界の展開前に比較H2R評価のための実用的でスケーラブルなベンチマークとして確立された。
• 参考スコア（独自算出の注目度）: 20.95143230084109
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning robot manipulation policies from human video demonstrations constitutes a promising avenue for scalable robot learning. However, comparing different human-to-robot (H2R) transfer methods remains challenging, as existing approaches are evaluated under different settings, including differing task suites, scene layouts, object instances, and amounts of robot supervision. To address this challenge, we present H2RBench, a Real2Sim benchmark for evaluating H2R transfer methods. H2RBench provides a standardized protocol built on real human video demonstrations and simulated robot demonstrations, and includes four manipulation tasks spanning diverse interaction requirements. We evaluate multiple representative H2R transfer methods, each adopting a different strategy for bridging the embodiment gap. Using H2RBench, we systematically characterize how each method scales with the amount of human demonstrations, revealing that methods differ substantially in their ability to leverage additional human data. We further show that simulation performance is broadly predictive of real-world robot performance, with an overall Pearson correlation of r = 0.89, Spearman correlation of \r{ho} = 0.85 and Mean Maximum Rank Violation (MMRV) of 0.06 across method-task configurations. These results establish H2RBench as a practical and scalable benchmark for comparative H2R evaluation prior to real-world deployment.
• Abstract（参考訳）: 人間のビデオデモからロボットの操作ポリシーを学習することは、スケーラブルなロボット学習にとって有望な道である。 しかしながら、タスクスイート、シーンレイアウト、オブジェクトインスタンス、ロボットの監視量など、既存のアプローチが異なる設定で評価されているため、H2R(Human-to-robot)の転送方法の比較は依然として困難である。 この課題に対処するため、H2R転送手法を評価するためのReal2SimベンチマークであるH2RBenchを提案する。 H2RBenchは、実際の人間のビデオデモとシミュレートされたロボットデモの上に構築された標準化されたプロトコルを提供し、多様なインタラクション要求にまたがる4つの操作タスクを含んでいる。 我々は,複数の代表的H2R転送手法を評価し,それぞれが具体的ギャップを埋めるための異なる戦略を採用する。 H2RBenchを用いて、各手法が人間の実演量とどのようにスケールするかを体系的に評価し、追加の人間のデータを活用する能力において、方法が著しく異なることを示した。 さらに, シミュレーション性能は, r = 0.89 のピアソン相関, \r{ho} = 0.85, Mean Maximum Rank Violation (MMRV) が0.06 のメソッドタスク構成で広く予測可能であることを示す。 これらの結果から,H2RBenchを実環境展開前のH2R評価のための実用的でスケーラブルなベンチマークとして確立した。

関連論文リスト

• Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
  VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。 標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。 本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
  論文  参考訳（メタデータ） (2026-02-10T12:25:43Z)
• PolaRiS: Scalable Real-to-Sim Evaluations for Generalist Robot Policies [88.78188489161028]
  シミュレーションにおける政策評価と環境復元(PolaRiS)の導入 PolaRiSは、高忠実度シミュレーションロボット評価のためのスケーラブルなリアルタイム・シミュレート・フレームワークである。 PolaRiSの評価は,既存のシミュレーションベンチマークよりも,現実のジェネラリストのポリシー性能に強い相関関係があることが示されている。
  論文  参考訳（メタデータ） (2025-12-18T18:49:41Z)
• MiVLA: Towards Generalizable Vision-Language-Action Model with Human-Robot Mutual Imitation Pre-training [102.850162490626]
  人間のロボットによる相互模倣事前学習による視覚-言語-行動モデルであるMiVLAを提案する。 MiVLAは、最先端のVLAよりも優れた、強力な改良された一般化能力を実現する。
  論文  参考訳（メタデータ） (2025-12-17T12:59:41Z)
• RobotArena $\infty$: Scalable Robot Benchmarking via Real-to-Sim Translation [47.79800816696372]
  操作ポリシーの現実的なテストは、大規模に労働集約的で、再現が難しい。 既存のシミュレーションベンチマークも同様に制限されており、同じ合成ドメイン内でポリシーをトレーニングおよびテストしている。 本稿では,VLA評価を大規模にシミュレーションした拡張環境に移行することで,これらの課題を克服する新しいベンチマークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-27T17:41:38Z)
• H-RDT: Human Manipulation Enhanced Bimanual Robotic Manipulation [27.585828712261232]
  H-RDT(Human to Robotics Diffusion Transformer)は、人間の操作データを利用してロボット操作能力を向上する新しいアプローチである。 私たちの重要な洞察は、大規模なエゴセントリックな人間操作ビデオとペアの3Dハンドポーズアノテーションが、自然な操作戦略を捉えたリッチな行動優先を提供するということです。 本研究では,(1)大規模な人間操作データに対する事前トレーニング,(2)モジュール型アクションエンコーダとデコーダを用いたロボット固有のデータに対するクロスエボディメント微調整という2段階の訓練パラダイムを導入する。
  論文  参考訳（メタデータ） (2025-07-31T13:06:59Z)
• Learning to Evaluate Autonomous Behaviour in Human-Robot Interaction [26.765285050287247]
  軌道性能に着目し,Imitation Learning(IL)手法の質を評価する汎用評価フレームワークを提案する。 我々は,ロボット関節軌跡からの動作の分類を訓練した深層学習モデルNeMEを考案した。 我々は,人型ロボットであるergoCubの遠隔操作データを用いて,利用可能なプラットフォームに適したIL法の比較を行い,本フレームワークの有効性を検証した。
  論文  参考訳（メタデータ） (2025-07-08T21:12:57Z)
• One-Shot Imitation under Mismatched Execution [7.060120660671016]
  人間のデモは、ロボットに長距離操作のタスクをプログラムするための強力な方法だ。 これらのデモをロボット実行可能なアクションに変換することは、運動スタイルや身体能力のミスマッチの実行による重大な課題を呈する。 シーケンスレベルの最適輸送コスト関数を用いて,人間とロボットの軌道を自動的にペアリングする新しいフレームワークRHyMEを提案する。
  論文  参考訳（メタデータ） (2024-09-10T16:11:57Z)
• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• 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)

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。