論文の概要: VOMMI: Collecting and Leveraging Portable Demonstrations for Mobile Manipulation
- arxiv url: http://arxiv.org/abs/2610.08220v1
- Date: Tue, 06 Oct 2026 12:10:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.97237
- Title: VOMMI: Collecting and Leveraging Portable Demonstrations for Mobile Manipulation
- Title（参考訳）: VOMMI: モバイル操作のためのポータブルなデモの収集と活用
- Abstract要約: Visual-Odometry-Conditioned Mobile Manipulation Interface (VOMMI)は、ポータブルなRGBデモを視覚言語による後トレーニングに接続する。
R2-VOは、疎い幾何学的アンカーを用いてオフラインのデモ軌道を洗練し、因果局所運動トークンを生成する。
我々のポリシーは、ポータブルなデモンストレーションのみに基づいて訓練され、ロボットによるデモで訓練されたポリシーよりも18.2%低いベース速度誤差を達成している。
- 参考スコア（独自算出の注目度）: 20.16477404624932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Portable mobile-manipulation demonstrations can help alleviate data scarcity for embodied intelligence, but obtaining reliable, low-cost, and robot-free motion supervision from RGB observations remains challenging. Existing approaches often rely on teleoperation or specialized devices equipped with additional sensing hardware, while directly using estimated visual odometry (VO) trajectories can introduce inconsistencies due to accumulated drift and imperfect motion supervision. We present the Visual-Odometry-Conditioned Mobile Manipulation Interface (VOMMI), a portable demonstration collection and learning framework that connects portable RGB demonstrations to vision-language-action (VLA) post-training through offline trajectory reconstruction and online visual-motion conditioning. VOMMI synchronizes body and hand views to capture navigation context and local object interactions without requiring human-robot kinematic correspondence calibration. R2-VO refines offline demonstration trajectories using sparse geometric anchors and produces causal local-motion tokens over multiple prediction horizons for online policy conditioning. An action-group residual adapter incorporates these tokens only into the base branch. Experiments use a 500-trajectory portable for each task, with 75 trajectories held out for RGB-VO evaluation, and 200 robot demonstrations as references. Our policy, post-trained only on portable demonstrations, achieves 18.2% lower base-velocity error than a policy trained with robot-collected demonstrations, while maintaining comparable end-effector translation accuracy. Offline reconstruction reduces absolute trajectory errors for the body and hand streams by 24.6% on average relative to the best evaluated baseline for each stream. The complete system improves the mean success rate by 8.3 percentage points over OpenPI 0.5 across three real-robot tasks.
- Abstract（参考訳）: ポータブルなモバイル操作デモは、具体的インテリジェンスに対するデータの不足を軽減するのに役立ちますが、RGB観測から信頼性が高く、低コストで、ロボットフリーなモーション監視を得るのは難しいです。
既存のアプローチは、追加のセンサーハードウェアを備えた遠隔操作や特殊な装置に依存している場合が多いが、推定されたビジュアル・オドメトリー(VO)トラジェクトリを直接使用すれば、蓄積されたドリフトと不完全な動作監視による不整合が生じる可能性がある。
本稿では,携帯型RGBデモと視覚言語動作(VLA)後トレーニングをオフライン軌道再構成とオンライン視覚運動条件で接続する,ポータブルなデモコレクションおよび学習フレームワークVOMMIを提案する。
VOMMIは人体と手の動きを同期してナビゲーションコンテキストとローカルオブジェクトの相互作用を捉える。
R2-VOは、疎い幾何学的アンカーを用いてオフラインのデモ軌道を洗練し、オンラインポリシーコンディショニングのための複数の予測地平線上で因果局所運動トークンを生成する。
アクショングループ残基アダプタはこれらのトークンをベースブランチにのみ組み込む。
実験では、RGB-VO評価のために75の軌道が維持され、200のロボットデモが参照として使用される。
我々のポリシーは、ポータブルなデモンストレーションでのみ訓練されたものであり、ロボットが作成したデモで訓練したポリシーよりも18.2%低いベース速度誤差を達成すると同時に、同等のエンドエフェクタ翻訳精度を維持している。
オフライン再構築は、各ストリームの最良の基準ラインと比較して、身体と手ストリームの絶対軌道誤差を平均24.6%削減する。
完全なシステムは、3つの実ロボットタスクでOpenPI0.5よりも平均成功率を8.3ポイント向上させる。
関連論文リスト
- From Local Whole-Body VLA Behaviors to Scene-Scale Aerial Manipulation [24.05452779162353]
視覚言語アクション(VLA)モデルはタスク条件付きインタラクションを可能にするが、それらをシーンスケールの空中操作に拡張することは依然として困難である。
合成ポリシトレーニングとシーンスケール実行のための統合された枠組みを, 無人航空機マニピュレータ (UAM) に提示する。
シーン再構成可能なパイプラインは、物理プラットフォームを使用せずに、タスク条件付き、キノダイナミックに実現可能な軌道と、VLAトレーニングのための同期マルチビュー観測を合成する。
論文 参考訳（メタデータ） (2026-09-30T13:05:17Z) - WorldLine: Action-Driven Visual Simulation for Robotic Manipulation [87.68211863253049]
実世界のロボット学習は、経験を収集し、候補行動を評価するコストに制約される。
異種アクショングラウンドから学習した移動可能なダイナミクスを分離する,アクション駆動型ビジュアルシミュレータ WorldLine を紹介する。
WorldLineは、1万時間以上のアクションフリーロボットビデオから操作のダイナミクスを学び、2000時間以上のアクショントラジェクトリを使ってそれらをグラウンドする。
論文 参考訳（メタデータ） (2026-09-29T17:26:22Z) - MachEmbodied-U0: Unified Understanding and Generation Model for Embodied Intelligence [14.653862445798557]
汎用ロボット制御は、タスク意図を理解し、どこで相互作用するかを特定し、シーンがどのように進化するかを捉え、正確なアクションを生成するモデルを必要とする。
我々は、Mixture-of-Transformersアーキテクチャを通じて、理解と生成の専門家を結びつける統一的な基礎モデルであるMachEm-U0を提案する。
論文 参考訳（メタデータ） (2026-09-22T03:36:36Z) - DECOWAM: Decoupled Whole-Body World-Action Model for Legged Mobile Manipulation [9.154987050049268]
DeCOWAMは、カメラのエゴモーションをベースアクションとアームアクションとを分離する全身世界アクションモデルである。
固定されたリプレイプロトコルでは、DECWAMはFastWAM上での将来のビデオとアクションの予測を改善し、25.95Mのトレーニング可能な適応パラメータでアクションMSEを21.7%削減した。
これらの結果から,運動視点下でのパラメータ効率のよい共同視覚予測と全身制御を支援することが示唆された。
論文 参考訳（メタデータ） (2026-08-20T14:44:11Z) - Self Supervised Learning from Automatically Generated Demonstrations for Visual Robotic Manipulation [0.11083289076967894]
本稿では,ロボットがターゲットポーズの周囲のデモを自動的に生成する自己監督型視覚操作手法を提案する。
提案されたパイプラインはROS2とIsaac Simを使用して、ロボットに明示的なカメラを必要とせずにラベル付き画像配置ペアを収集する。
本手法は、グリッパーと単眼カメラを備えた実際のUR5e協調ロボットにおいて、シミュレーションと双方で評価される。
論文 参考訳（メタデータ） (2026-08-01T21:34:39Z) - Qwen-VLA: Unifying Vision-Language-Action Modeling across Tasks, Environments, and Robot Embodiments [96.23886784364997]
身体的な知性は、操作やナビゲーションといった個々のタスクのための特別なモデルを通してしばしば研究される。
本稿では,Qwenの視覚言語モデリングスタックを連続的な動作と軌道生成に拡張した統一的な基礎モデルであるQwen-VLAを提案する。
論文 参考訳（メタデータ） (2026-05-28T17:36:31Z) - Robotic Grasping and Placement Controlled by EEG-Based Hybrid Visual and Motor Imagery [64.82869118243723]
本稿では,脳波に基づく視覚・運動画像(VI/MI)とロボット制御を統合し,リアルタイム・意図駆動型把握・配置を実現するフレームワークを提案する。
このシステムは、BCI駆動のロボット工学の約束に感銘を受けて、オフラインで事前訓練されたデコーダをゼロショットで展開することによって、ニューラルネットワークを物理的制御でブリッジする。
論文 参考訳（メタデータ） (2026-03-03T17:41:42Z) - Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。
本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。
ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
論文 参考訳（メタデータ） (2026-03-02T17:38:58Z) - MobileManiBench: Simplifying Model Verification for Mobile Manipulation [70.30578259859512]
MobileManiBenchは、モバイルベースのロボット操作のための大規模なベンチマークである。
MobileManiBenchには、2つのモバイルプラットフォーム(パラレルグリッパーとデキソラスハンドロボット)、2つの同期カメラ(頭と右手首)、630のオブジェクト(オープン、クローズ、プル、プッシュ、ピック)、5つのスキル(オープン、クローズ、プッシュ、ピック)、100以上のタスクが現実的なシーンで実行される。
論文 参考訳（メタデータ） (2026-02-05T02:49:52Z) - Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。
Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文 参考訳（メタデータ） (2025-09-11T17:59:07Z)
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。