論文の概要: EmbodiedSmith: Scaling Embodied Data through Recursive Self-Improvement Flywheel in Simulation
- arxiv url: http://arxiv.org/abs/2610.07969v1
- Date: Tue, 06 Oct 2026 08:34:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.900159
- Title: EmbodiedSmith: Scaling Embodied Data through Recursive Self-Improvement Flywheel in Simulation
- Title（参考訳）: EmbodiedSmith: シミュレーションにおける再帰的自己改善フライホイールによる身体データのスケーリング
- Abstract要約: EmbodiedSmithはスケーラブルなエンボディドデータ生成のためのフレームワークである。
自律的な生成と言語駆動のカスタマイズをサポートするパイプラインで、アセット、シーン、タスク生成を統一する。
移動マニピュレータ、ヒューマノイド、器用な手、変形可能な物体や流体を含む相互作用をサポートする。
- 参考スコア（独自算出の注目度）: 21.189939975005892
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Scaling robotic foundation models requires diverse training data and reliable evaluation environments. Simulation offers a scalable solution, yet existing generation pipelines remain constrained by predefined assets and skills, a disconnect between scene generation and task generation, and limited support for complex embodiments and physics. We introduce EmbodiedSmith, a framework for scalable embodied data generation through recursive self-improvement (RSI). EmbodiedSmith unifies asset, scene, and task generation in a pipeline that supports autonomous creation and language-driven customization. Its core is an agentic refinement loop: scene generation anticipates downstream task requirements, while task generation guides targeted scene edits, allowing scenes and tasks to iteratively improve one another. This joint refinement improves task generation success, including for long-horizon tasks. The framework further supports mobile manipulators, humanoids, and dexterous hands, as well as interactions involving deformable objects and fluids, broadening the range of behaviors and physical phenomena represented in generated data. Together, these capabilities provide a flexible simulation engine for both robot pretraining and evaluation. Extensive experiments validate the quality, diversity, and generation efficiency of the resulting data, while downstream policy experiments demonstrate that increased data diversity improves generalization.
- Abstract（参考訳）: ロボット基礎モデルのスケーリングには、多様なトレーニングデータと信頼性の高い評価環境が必要である。
シミュレーションはスケーラブルなソリューションを提供するが、既存の生成パイプラインは事前に定義された資産とスキル、シーン生成とタスク生成の切り離し、複雑なエンボディメントと物理のサポートが制限されている。
本稿では、再帰的自己改善(RSI)によるスケーラブルなエンボディデータ生成のためのフレームワークであるEmbodiedSmithを紹介する。
EmbodiedSmithは、自律的な生成と言語駆動のカスタマイズをサポートするパイプラインでアセット、シーン、タスク生成を統合する。
シーン生成は下流のタスク要求を予測し、タスク生成ガイドはシーン編集をターゲットとし、シーンとタスクを反復的に改善する。
この共同改良により、長期的なタスクを含むタスク生成の成功が向上する。
このフレームワークはさらに、移動マニピュレータ、ヒューマノイド、デキスタスハンドをサポートし、変形可能な物体や流体を含む相互作用をサポートし、生成されたデータに表される行動や物理的現象の範囲を広げる。
これらの能力は、ロボットの事前訓練と評価の両方に柔軟なシミュレーションエンジンを提供する。
大規模な実験は結果のデータの品質、多様性、生成効率を検証し、下流の政策実験はデータ多様性の増加が一般化を改善することを示した。
関連論文リスト
- SkillWeaver: Agentic Exploration over Neural Interaction Skills for Scalable Robot Data Generation [23.87165493471096]
本稿では,ニューラルネットワークスキルを探索することで,自律的にロボット体験を生成するエージェントフレームワークであるSkillWeaverを紹介する。
我々は、NISを、クローズドループ、コンタクトリッチな操作のための強化学習ポリシーとしてインスタンス化し、検証誘導木探索として探索を組織化する。
SkillWeaverは、14.1Kシーンで39.1Kのデモに自動でスケールし、ビジュモータポリシーに精算する。
論文 参考訳（メタデータ） (2026-09-28T19:41:42Z) - Function-Preserving Data Generation for Zero-Shot Real-to-Sim-to-Real Manipulation [14.858715829714518]
提案手法は, 震源軌道を遠隔保存することなく, 再建された資産から合成デモを生成する機能を有するリアルタイム・ストリーム・トゥ・リアルフレームワークを提案する。
本手法は,制約誘導メッシュ変形によるタスク関連オブジェクトのジオメトリを,物理的に一貫したタスクポーズと衝突プロキシの転送とともに拡張する。
論文 参考訳（メタデータ） (2026-09-16T08:13:40Z) - What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents [81.23160457293714]
LLMエージェントは、外部環境とのインタラクションの方法を学ぶために、生成されるインタラクションデータにますます依存している。
既存の作業は多くのエージェントドメインにまたがっているが、ドメイン中心の組織と不均一な評価はしばしば共通生成機構を曖昧にしている。
この研究は、この分野のための2段階のフレームワークを開発する。
論文 参考訳（メタデータ） (2026-08-27T15:43:50Z) - Policy-as-Data: Learning Generalizable HOI Diffusion Models from Simulated Physics [23.400128774539812]
本稿では,HOI 生成におけるデータ・スカシティのボトルネックを克服する新しい枠組みを提案する。
提案手法は,未知の物体への一般化の促進と長軸生成の能力を示す。
論文 参考訳（メタデータ） (2026-06-22T03:32:35Z) - SoftMimicGen: A Data Generation System for Scalable Robot Learning in Deformable Object Manipulation [45.71119158785489]
我々は、変形可能なオブジェクト操作タスクのための自動データ生成パイプラインであるSoftMimicGenを紹介する。
本稿では,多種多様な変形可能な物体を含む高忠実度シミュレーション環境について紹介する。
我々はSoftMimicGenを適用し、タスクスイート全体にわたってデータセットを生成し、データからハイパフォーマンスなポリシーをトレーニングし、データ生成システムを体系的に分析する。
論文 参考訳（メタデータ） (2026-03-26T17:58:40Z) - RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset [48.645870795753105]
ロボットのためのロバスト自動データ取得(RADAR)について紹介する。
RADARは完全に自律的でクローズドループのデータ生成エンジンで、収集サイクルから人間の介入を完全に取り除きます。
シミュレーションでは、複雑な長期タスクにおいて、最大90%の成功率を達成する。
論文 参考訳（メタデータ） (2026-03-12T11:18:52Z) - 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) - FieldGen: From Teleoperated Pre-Manipulation Trajectories to Field-Guided Data Generation [60.28409233931666]
FieldGenは、スケーラブルで多様な、高品質な実世界のデータ収集を可能にする、フィールド誘導型データ生成フレームワークである。
実験により、FieldGenでトレーニングされたポリシーは、遠隔操作ベースのベースラインと比較して、より高い成功率と安定性を達成することが示された。
論文 参考訳（メタデータ） (2025-10-23T17:47:12Z) - GenFlowRL: Shaping Rewards with Generative Object-Centric Flow in Visual Reinforcement Learning [79.68241687396603]
本稿では,多種多様な組織間データセットから学習した生成フローから,形状の報酬を導出するGenFlowRLを提案する。
GenFlowRLは、生成したオブジェクト中心の流れから抽出した操作機能を効果的に活用できることを、シミュレーションと実世界のクロスエボディメント評価の両方で実証した。
論文 参考訳（メタデータ） (2025-08-14T20:19:20Z) - TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual
Environments [84.6017003787244]
本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。
既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
論文 参考訳（メタデータ） (2022-08-16T20:46:08Z)
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。