論文の概要: Awomo-SimDataEngine: Agentic Simulation-ReadyWorld Generation
- arxiv url: http://arxiv.org/abs/2610.02274v1
- Date: Thu, 01 Oct 2026 08:38:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 19:20:54.741333
- Title: Awomo-SimDataEngine: Agentic Simulation-ReadyWorld Generation
- Title（参考訳）: Awomo-SimDataEngine:エージェントシミュレーション-ReadyWorld Generation
- Abstract要約: 本稿では,アセットとシーン生成をロボットのデモ合成に結びつけるエージェントシステムであるtextbfAwomo-SimDataEngineを提案する。
Unravelnativeは画像から編集可能なシーンを再構築し、SimForgeはテキストからシングルルームとマルチルーム環境を構築する。
PolicyForgeは、バリデーションされた世界をタスクとロボットエンボディメントにバインドして、再生可能なデモを生成する。
- 参考スコア（独自算出の注目度）: 22.07412872304806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generating useful robot-training data requires more than visually plausiblescenes: objects must support interaction, placements must remain physicallyvalid, and tasks must admit repeatable execution. We present\textbf{Awomo-SimDataEngine}, an agentic system that connects asset and scenegeneration to robot demonstration synthesis. Shared asset services providerigid and articulated objects, including structure-grounded part and jointgeneration with ISArt. Scene generation supports two complementary routes:Unravel reconstructs editable scenes from images, while SimForge buildssingle-room and multi-room environments from text. A graph-native harnesscoordinates construction, validation, andbounded repair, routing failures to the responsible module while retainingunaffected scene state. PolicyForge binds validated worlds to tasks and robotembodiments to produce replayable demonstrations. Evaluations cover assetgeometry, scene quality, and downstream policy learning. On MuJoCo-basedLIBERO-Plus, co-training with Isaac Sim demonstrations improves the overallsuccess rate of a World-Action Model (WAM) from $77.17\%$ to $89.43\%$. Goal and spatialsuccess improve by $31.66$ and $6.25$ percentage points, respectively.These results support the utility of the generated data for cross-simulatorpolicy training, with more limited gains on long-horizon tasks.
- Abstract（参考訳）: オブジェクトは相互作用をサポートしなければならず、配置は物理的に無効でなければならず、タスクは繰り返し実行できる実行を認めなければならない。
本稿では,アセットとシーン生成をロボットのデモ合成に結びつけるエージェントシステムである\textbf{Awomo-SimDataEngine}を紹介する。
共有資産サービスは、構造的な接地部分やISArtとのジョイントジェネレーションを含む、厳密で明瞭なオブジェクトを提供する。
画像から編集可能なシーンをUnravelで再構築し、SimForgeはテキストからシングルルームとマルチルーム環境を構築する。
グラフネイティブは、ビルド、バリデーション、およびバウンドされた修復をコーディネートし、影響のないシーン状態を維持しながら、責任あるモジュールに障害をルーティングする。
PolicyForgeは、バリデーションされた世界をタスクとロボットエンボディメントにバインドして、再生可能なデモを生成する。
評価は、アセットジオメトリ、シーン品質、下流のポリシー学習をカバーする。
MuJoCo ベースのLIBERO-Plus では、Isaac Sim と共同で、ワールド・アクション・モデル (WAM) の全体的な成功率を 7.17 % から 8,9.43 % に改善している。
目標と空間問題はそれぞれ31.66ドルと6.25ドルのパーセンテージで改善され、これらの結果は、より長期のタスクにおいてより限定的な利得を持つクロスシミュレータポリティトレーニングのための生成されたデータの有用性をサポートする。
関連論文リスト
- φ-RIE: From Photorealistic Reconstruction to Interactive Environments [57.657253059351795]
-RIEは、残りの復元を保ちながら、選択したオブジェクトを移動可能なシミュレータアセットに変換する。
シーン・オブザーバは、結合されたシーン・コンストラクションの証拠を共有した。
50のScanNet++シーンでは、エビデンスベースの選択と登録リトライが20mmのF1と、固定保持時の0.336から0.383に一致した。
論文 参考訳（メタデータ） (2026-09-22T17:59:52Z) - RoboCousin: Build Your Own Simulation Playground for Robust Bimanual Robotic Manipulation [16.581929671943325]
双方向操作ポリシーは、大規模で多様なトレーニングデータセットを必要とする。
既存のパイプラインは通常、クローズドアセットライブラリと事前に定義されたシーン内で動作します。
本稿ではシミュレーションベースのデータ生成プラットフォームであるRoboCousinを紹介する。
論文 参考訳（メタデータ） (2026-09-08T07:13:07Z) - RoboSnap: One-Shot Real-to-Sim Scene Generation for Generalizable Robot Learning and Evaluation [55.07260698542592]
我々は,1枚のRGB画像をシミュレーション可能なシーンに変換する,リアル・トゥ・シミュレート・フレームワークであるRoboSnapを紹介した。
DROIDシーンと実ロボットタスクの実験は、復元されたシーンでRoboSnapが信頼できる軌道再生を実現することを示している。
DROIDのリアルワールドシーン564から構築したリアル・トゥ・シムデータセットであるDROID-Simを紹介する。
論文 参考訳（メタデータ） (2026-07-07T18:19:10Z) - SimFoundry: Modular and Automated Scene Generation for Policy Learning and Evaluation [43.92931315573574]
SimFoundry(シムファウントリー)は、ビデオから実写シーンをゼロショットで撮影するシステムである。
SimFoundryは、再現された現実世界のシーンをサポートする類似のデジタルツインを生成する。
シミュレーションにおいて、オブジェクト、シーン、タスク従兄弟で訓練されたポリシーは、それぞれ平均タスク成功率を17%、21%、40%改善している。
論文 参考訳（メタデータ） (2026-06-26T17:18:43Z) - GASE: Gaussian Splatting-Based Automated System for Reconstructing Embodied-Simulation Environments [63.222920701596564]
実世界での実施エージェントの訓練には熟練したオペレーターと高価なハードウェアが必要である。
シミュレーション環境は、大規模で費用対効果の高いデータ拡張を可能にすることで、魅力的な代替手段を提供する。
シミュレーションシーンを最小限のsim-to-realギャップで高速に構築することは、ロボット学習において重要な目標となっている。
論文 参考訳（メタデータ） (2026-06-16T05:00:42Z) - SceneCode: Executable World Programs for Editable Indoor Scenes with Articulated Objects [69.20984454755512]
室内シーンの合成は、AI、ロボット操作、シミュレーションベースのポリシー評価を具体化する。
既存のパイプラインは、生成されたコンテンツを静的メッシュとして表現し、キュレートされたアセットライブラリからのみ調音を継承する。
我々は、自然言語プロンプトを実行可能なコード駆動屋内世界にコンパイルするフレームワークであるSceneCodeを紹介する。
論文 参考訳（メタデータ） (2026-05-19T09:31:04Z) - SAGE: Scalable Agentic 3D Scene Generation for Embodied AI [67.43935343696982]
既存のシーン生成システムは、しばしばルールベースまたはタスク固有のパイプラインに依存し、アーティファクトと物理的に無効なシーンを生成する。
本稿では,ユーザが特定した具体的タスクを与えられたエージェントフレームワークであるSAGEについて,その意図を理解し,大規模にシミュレーション可能な環境を自動的に生成する。
得られた環境は現実的で多様性があり、政策訓練のための現代的なシミュレーターに直接デプロイできる。
論文 参考訳（メタデータ） (2026-02-10T18:59:55Z) - AnyTask: an Automated Task and Data Generation Framework for Advancing Sim-to-Real Policy Learning [16.837846476054786]
大規模で多様な、高品質なインタラクションデータは、現実の世界で収集するのに費用がかかる。
我々はAnyTaskという,大規模並列GPUシミュレーションと基礎モデルを組み合わせて多様な操作タスクを設計する自動化フレームワークを提示する。
我々は、生成されたデータに基づいて行動クローニングポリシーを訓練し、シミュレーションで検証し、実際のロボットハードウェアに直接デプロイする。
論文 参考訳（メタデータ） (2025-12-19T17:55:48Z) - A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。
シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。
我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
論文 参考訳（メタデータ） (2021-12-09T18:59:21Z)
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。