論文の概要: MobileVISTA: Generative Data Augmentation for Pose Generalization in Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2610.07511v1
- Date: Mon, 05 Oct 2026 23:24:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.705848
- Title: MobileVISTA: Generative Data Augmentation for Pose Generalization in Mobile Manipulation
- Title（参考訳）: MobileVISTA: モバイル操作におけるPose Generalizationのための生成データ拡張
- Abstract要約: ヒューマノイドロボットのような移動マニピュレータは、動的で非構造的な環境にますます展開されている。
MobileVISTAは、エゴセントリックな視覚的観察を増強することにより、標準的なポーズでキャプチャされたデモを変換する。
MobileVISTAの利点は、カメラがアクティベートされたチェーンに乗り、ロボットがフレームの大部分を埋めるテスト用ヒューマノイドで最大である。
- 参考スコア（独自算出の注目度）: 19.734400849304304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mobile manipulators such as humanoid robots are increasingly deployed in dynamic, unstructured environments to perform dexterous manipulation tasks. However, end-to-end manipulation policies trained to imitate demonstration data collected from a single robot pose are brittle: even centimeter-scale deviations in robot pose at deployment can drive ego-centric observations and end-effector trajectories out of the training distribution, leading to sharp drops in performance. We introduce MobileVISTA, a data generation framework that transforms demonstrations captured at canonical poses into diverse, pose-perturbed training data by jointly (1) augmenting egocentric visual observations and (2) retargeting actions to compensate for base pose changes. Unlike prior methods, which assume a camera rigidly mounted off the actuated chain or non-trivial articulated robot geometry largely out of frame, MobileVISTA targets compatibility with egocentric platforms (e.g., humanoids) where the camera is both influenced by and must observe the robot's kinematic chain as it moves. We study MobileVISTA in simulated tasks spanning humanoid and bimanual embodiments, and on a real Galaxea R1 Pro. We find policies trained on MobileVISTA-augmented data demonstrate improved robustness to previously out-of-distribution poses encountered at test time, without additional demonstration collection or a trained generative model. Additionally, we find MobileVISTA's benefit is largest on tested humanoids, where the camera rides the actuated chain and the robot fills much of the frame. Additional videos and appendix can be found on our website: https://mobilevista.github.io
- Abstract（参考訳）: ヒューマノイドロボットのような移動マニピュレータは、巧妙な操作を行うために動的で非構造的な環境にますます配備されている。
しかし、単一のロボットのポーズから収集された実演データを模倣するために訓練されたエンドツーエンドの操作ポリシーは不安定である。
我々は,(1)自我中心の視覚的観察を増強し,(2)基本的ポーズ変化を補うための行動の再ターゲティングを行うことにより,標準的ポーズでキャプチャーされたデモンストレーションを多種多様なポーズ・アレンジド・トレーニングデータに変換するデータ生成フレームワークであるMobileVISTAを紹介した。
カメラがアクティベートされたチェーンや、フレームから大きく外れた非自明なロボット形状から固定されたカメラを仮定する従来の方法とは異なり、MobileVISTAは、カメラがロボットの運動鎖に影響され、移動する際にそのロボットの運動鎖を観察しなければならないエゴセントリックなプラットフォーム(例えばヒューマノイド)との互換性を目標としている。
ヒューマノイド・バイマナル・エボディメントのシミュレーション作業におけるMobileVISTAと実際のガラクサR1 Proについて検討した。
MobileVISTAを付加したデータに基づいてトレーニングされたポリシーは、テスト時に遭遇したアウト・オブ・ディストリビューション・ポーズに対して、追加のデモコレクションやトレーニングされた生成モデルなしで堅牢性の向上を示す。
さらに、MobileVISTAの利点は、カメラがアクティベートされたチェーンに乗り、ロボットがフレームの大部分を埋める、テストされたヒューマノイド上で最大である。
追加のビデオと付録は、私たちのWebサイトにある。
関連論文リスト
- InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳（メタデータ） (2026-10-05T17:59:50Z) - AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。
私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。
大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
論文 参考訳（メタデータ） (2026-08-29T12:55:15Z) - Ego2Robot: Scalable Robot Data Synthesis from Egocentric Human Data [60.94418315274988]
Ego2Robotは、キュレートされたビデオとインザワイルドのビデオの両方をサポートし、15のロボット形態にまたがる18,561時間のトレーニングデータを生成する。
Ego2Robotの合成データとロボットデータの併用による事前学習は、複数のタイプにわたるアウト・オブ・ディストリビューションの一般化を一貫して改善する。
論文 参考訳（メタデータ） (2026-08-03T17:52:26Z) - ActiveMimic: Egocentric Video Pretraining with Active Perception [84.2999803878421]
エゴセントリックな人間のビデオは、事前トレーニングのためのロボットデータに代わるスケーラブルな代替手段を提供する。
単体のRGBカメラから同期カメラと手首軌跡を復元する事前学習フレームワークであるActiveMimicを提案する。
我々は,ActiveMimicが人間のビデオで事前訓練されたベースラインを一貫して上回り,ロボットデータで事前訓練された最先端モデルと一致していることを示す。
論文 参考訳（メタデータ） (2026-06-04T14:01:01Z) - Co-training with Ego-centric Video and Demonstration for Robot Navigation Task [0.0]
本研究では,エゴセントリックな歩行映像を移動ロボット模倣学習のためのデータセットに変換するフレームワークを提案する。
提案手法は,人間の映像からカメラの動きを推定し,地上移動ロボットと互換性のある動作表現に変換する。
フルーツ検索ナビゲーションタスクの実験は、人間の自我中心のビデオがモバイルロボット学習に効果的でスケーラブルなデータソースを提供することを示した。
論文 参考訳（メタデータ） (2026-06-01T09:12:22Z) - ActiveGlasses: Learning Manipulation with Active Vision from Ego-centric Human Demonstration [51.69384671495837]
ActiveGlassesは、エゴ中心の人間のデモからロボット操作を学習するシステムである。
スマートグラスに装着されたステレオカメラは、データ収集とポリシー推論の両方のための唯一の認識装置として機能する。
ゼロ・トランスファーを可能にするために,デモからオブジェクト・トラジェクトリを抽出し,オブジェクト中心のポイント・クラウド・ポリシーを用いて操作と頭部運動を協調的に予測する。
論文 参考訳（メタデータ） (2026-04-09T17:59:08Z) - HoMMI: Learning Whole-Body Mobile Manipulation from Human Demonstrations [15.551927664158695]
Whole-Body Mobile Manipulation Interface (HoMMI)は、ロボットのない人間のデモから直接、全身のモバイル操作を学習する。
我々は、モバイル操作に必要なグローバルコンテキストをキャプチャするために、エゴセントリックな感覚でUMIインタフェースを拡張する。
私たちはこのギャップを、クロス・エボディメント・ハンド・アイ・ポリシー設計で明示的に埋めます。
論文 参考訳（メタデータ） (2026-03-03T18:36:49Z) - MimicDreamer: Aligning Human and Robot Demonstrations for Scalable VLA Training [40.45924128424013]
低コストな人間によるデモンストレーションをロボットで使用可能な監視に変換するフレームワークであるMimicDreamerを提案する。
視覚的アライメントのために,高忠実度ロボットデモビデオを生成するビデオ拡散モデルH2R Alignerを提案する。
視点安定化のためにEgoStabilizerを提案する。
動作アライメントのために,人間の手の動きをロボットフレームにマッピングし,制約付き逆運動学解法を適用する。
論文 参考訳（メタデータ） (2025-09-26T11:05:10Z)
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。