論文の概要: MATE: Multi-Agent Virtual Teleoperation Platform for Humanoid Collaboration Data Collection

• arxiv url: http://arxiv.org/abs/2609.26520v1
• Date: Tue, 22 Sep 2026 14:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.708926
• Title: MATE: Multi-Agent Virtual Teleoperation Platform for Humanoid Collaboration Data Collection
• Title（参考訳）: MATE:ヒューマノイドコラボレーションデータ収集のためのマルチエージェント仮想遠隔操作プラットフォーム
• Abstract要約: MATEはヒューマノイドコラボレーションデータ収集のための仮想TEleプラットフォームである。 協調行動24.1時間からなるマルチヒューマノイド協調データセットを構築した。 実験では、効率的なデータ収集、効果的なポリシー学習、仮想的なデモから物理的なヒューマノイドへのゼロショット転送が実証されている。
• 参考スコア（独自算出の注目度）: 29.035698153523963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots require diverse embodied experiences to acquire complex loco-manipulation and collaborative skills. However, existing humanoid data pipelines primarily focus on individual agents, while physical multi-robot collaboration remains difficult to scale due to costly hardware, dedicated spaces, and repeated resets. In this work, we introduce MATE, a Multi-Agent virtual TEleoperation platform for humanoid collaboration data collection that enables multiple geographically distributed operators to simultaneously control whole-body humanoids in a shared physics-based environment. MATE removes the need for multiple physical robots and co-located operation while preserving physically coupled interactions among humanoids, objects, and environments. Using MATE, we construct a multi-humanoid collaboration dataset comprising 24.1 hours of coordinated behavior across 2,500 joint episodes and five long-horizon tasks, including object handover, relay delivery, environment interaction, and cooperative transport. To improve learning from these interaction-rich demonstrations, we introduce EAIS, an Execution-Aligned Interaction Sampling strategy that computes sampling signals within an execution-aligned prefix and prioritizes task-progressing and interaction-critical behaviors. We evaluate MATE with representative imitation learning and vision-language-action policies across diverse collaboration tasks. Experiments demonstrate efficient data collection, effective policy learning, and zero-shot transfer from virtual demonstrations to a physical humanoid without real-world fine-tuning. Project page: https://yerik-yu.github.io/MATE/
• Abstract（参考訳）: ヒューマノイドロボットは、複雑なロコ操作と協調的なスキルを得るために、多様な実施経験を必要とする。 しかし、既存のヒューマノイドデータパイプラインは主に個々のエージェントに焦点を当てているが、ハードウェアや専用スペース、繰り返しリセットのため、物理的なマルチロボットコラボレーションはスケールが難しいままである。 本研究では,マルチエージェント仮想遠隔操作プラットフォームであるMATEを導入し,複数の地理的に分散した演算子による物理環境下での全身ヒューマノイドの同時制御を実現する。 MATEは、ヒューマノイド、オブジェクト、環境間の物理的に結合した相互作用を保ちながら、複数の物理的ロボットや共同位置操作の必要性を取り除く。 MATEを用いて、2500の連載エピソードにまたがる24.1時間の協調行動と、オブジェクトハンドオーバ、リレー配信、環境相互作用、協調輸送を含む5つの長期タスクからなるマルチヒューマノイド協調データセットを構築した。 これらの相互作用に富んだデモンストレーションから学習を改善するために、EAIS(Execution-Aligned Interaction Smpling Strategy)を導入し、実行整合したプレフィックス内のサンプリング信号を計算し、タスクプログレッションとインタラクションクリティカルな振る舞いを優先する。 我々は,多種多様な協調作業において,代表的模倣学習と視覚言語対応政策を用いてMATEを評価した。 実験では、効率的なデータ収集、効果的なポリシー学習、仮想的なデモから現実世界の微調整なしで物理的なヒューマノイドへのゼロショット転送が実証されている。 プロジェクトページ: https://yerik-yu.github.io/MATE/

関連論文リスト

• Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control [11.10095088851388]
  我々は, 大きさ, 重量, 形状の異なる物体の協調的マルチヒューマノイドピックアップと輸送について検討した。 本手法では,各ヒューマノイドが共有オブジェクト上の局所的なアタッチメント領域に割り当てられる分散オブジェクト中心制御を用いる。 このアタッチメントベースのインタフェースは、単一ロボットのピックアップ、協調的マルチロボット輸送、ロボットからロボットへのハンドオーバにまたがる共通の制御抽象化を提供する。
  論文  参考訳（メタデータ） (2026-09-15T20:40:43Z)
• CoMind: Understanding Collaborative Human Activity from Multiple Minds and Views [82.15362247351763]
  調理シナリオにおける現実のコラボレーションをキャプチャする,エゴセントリックでエクソセントリックなビデオデータセットを新たに導入する。 このデータセットは、マルチパースペクティブなビデオ、高品質なオーディオ、視線追跡、および3Dシーンとオブジェクトスキャンを統合する。 我々は,共同注意推定,社会的条件付きオブジェクトインタラクション予測,協調的ハンドオーバ予測のベンチマークを構築した。
  論文  参考訳（メタデータ） (2026-07-07T18:08:45Z)
• HumanoidMimicGen: Data Generation for Loco-Manipulation via Whole-Body Planning [52.022681285103126]
  我々はHumanoid MimicGenについて述べる。 本手法は,少数の実演から新しい状態へ,接触に富んだ全身スキルを適応させる。 我々は、HumanoidMimicGenが生成したデータと協調してトレーニングされた全身ビズモータポリシーが、実世界のデータでのみトレーニングされたものよりも20%優れていたことを示す。
  論文  参考訳（メタデータ） (2026-05-26T21:57:11Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• Learning Whole-Body Human-Humanoid Interaction from Human-Human Demonstrations [63.80827184637476]
  D-STAR(D-STAR)は,行動すべき場所から行動すべき場所を乱す階層的な政策である。 広範かつ厳密なシミュレーションを通じて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-01-14T14:37:06Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• Moving Out: Physically-grounded Human-AI Collaboration [21.627325065213725]
  我々は、新しい人間-AIコラボレーションベンチマークであるTransping Outを紹介した。 我々は、多様な人間の行動に適応するモデルの能力と、見えない物理的特性を評価する。 我々の実験によると、BASSはAI-AIと人間-AIのコラボレーションにおいて最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-07-24T17:57:18Z)
• CooHOI: Learning Cooperative Human-Object Interaction with Manipulated Object Dynamics [44.30880626337739]
  CooHOIはマルチヒューマノイド物体輸送問題の解決を目的としたフレームワークである。 単一のヒューマノイドキャラクタは、人間の動きの先行から模倣学習を通じてオブジェクトと対話することを学ぶ。 そして、ヒューマノイドは、操作対象の共有ダイナミクスを考慮し、他人と協調することを学ぶ。
  論文  参考訳（メタデータ） (2024-06-20T17:59:22Z)

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。