論文の概要: AutoBio+: Benchmarking Dexterous Manipulation with Dynamic Experimental Phenomena in Realistic Laboratories
- arxiv url: http://arxiv.org/abs/2610.13643v1
- Date: Fri, 09 Oct 2026 14:21:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.617842
- Title: AutoBio+: Benchmarking Dexterous Manipulation with Dynamic Experimental Phenomena in Realistic Laboratories
- Title（参考訳）: AutoBio+: 現実実験室における動的実験現象を用いたデキスタラスマニピュレーションのベンチマーク
- Abstract要約: 本稿では,現実的な生物実験環境において,デクスタラスな操作を行うためのシミュレーションベンチマークとフレームワークであるAutoBio+を紹介する。
AutoBio+は、4つのロボットエボディメントにまたがる14のタスク、機能ツールの使用、精度操作、言語条件の視覚的接地、楽器操作で構成されている。
本研究では, 燃焼, 蒸気, 気泡などの制御可能な動的実験現象を導入し, 実験室の目視条件を把握した。
- 参考スコア（独自算出の注目度）: 50.167802001586324
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automating biological laboratories requires robots to perform dexterous tool interactions under realistic visual conditions while handling dynamic experimental phenomena, presenting significant challenges for robotic manipulation. To enable systematic evaluation under these conditions, we introduce AutoBio+, a simulation benchmark and framework for dexterous manipulation in realistic biological laboratory environments. AutoBio+ comprises 14 tasks across 4 robot embodiments, spanning functional tool use, precision manipulation, language-conditioned visual grounding, and instrument operation. We introduce controllable dynamic experimental phenomena, including flames, vapor, and bubbles, to capture the evolving visual conditions of laboratory procedures. To further enhance environmental realism, we develop a hybrid rendering pipeline that integrates interactive simulated foreground objects with Gaussian-splatting backgrounds reconstructed from 6 real laboratory scenes. For efficient large-scale data generation and evaluation, we further build a parallel simulation framework on top of mjlab, proposing Parallel Finite-State Machine (PFSM) and integrating batched rendering with decoupled trajectory replay for demonstration generation and model-independent closed-loop policy evaluation. Our evaluation reveals substantial variation in policy performance across tasks, exposing distinct strengths and weaknesses of current manipulation policies. Real-world experiments further demonstrate a reduced sim-to-real gap, supporting the validity of AutoBio+ for realistic manipulation evaluation. Supplementary materials are available at https://autobio-plus.github.io/AutoBioPlus.
- Abstract（参考訳）: 生物実験室の自動化には、ロボットがダイナミックな実験現象を処理しながら、現実的な視覚条件下で器用なツールインタラクションを行う必要がある。
これらの条件下での系統的評価を実現するために,現実的な生物実験室環境におけるデクスタラス操作のためのシミュレーションベンチマークおよびフレームワークであるAutoBio+を紹介する。
AutoBio+は、4つのロボットエボディメントにまたがる14のタスク、機能ツールの使用、精度操作、言語条件の視覚的接地、楽器操作で構成されている。
本研究では, 燃焼, 蒸気, 気泡などの制御可能な動的実験現象を導入し, 実験室の目視条件を把握した。
環境リアリズムをさらに高めるために,6つの実室内シーンから再構成したガウス的背景と対話的な模擬前景オブジェクトを統合したハイブリッドレンダリングパイプラインを開発した。
大規模データ生成と評価を効率的に行うため,mjlab上に並列シミュレーションフレームワークを構築し,並列有限状態マシン(PFSM)を提案し,バッチレンダリングとデカップリングされた軌道リプレイを統合して実演生成とモデル非依存の閉ループポリシー評価を行う。
本評価では,タスク間の政策性能の大幅な変動を明らかにし,現行の操作方針の長所と短所を明らかにした。
実世界の実験はさらに、実際の操作評価のためのAutoBio+の有効性を裏付けるシミュレート・トゥ・リアルギャップの低減を実証している。
追加資料はhttps://autobio-plus.github.io/AutoBioPlus.comで入手できる。
関連論文リスト
- OASIS: From Simulation Data Collection to Real-World Humanoid Loco-Manipulation [51.37436817948304]
OASISはヒューマノイドのロコ操作のためのシミュレーションデータ駆動のフレームワークである。
3次元生成モデルを用いて実世界の画像から現実的なオブジェクト資産を再構築する。
ゼロショットデプロイメントでは、実際のロボット遠隔操作データでトレーニングされたタスクよりも、ほとんどのタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-06-07T10:01:53Z) - Generative Simulation for Policy Learning in Physical Human-Robot Interaction [11.978357519356537]
多様なpHRIシナリオを自動的に合成するゼロショット「text2sim2real」生成シミュレーションフレームワークを提案する。
我々はこのフレームワークを利用して、大規模合成デモデータセットを自律的に収集する。
学習方針はゼロショット・シム・トゥ・リアル・トランスファーの実現に成功し、成功率は80%を超えました。
論文 参考訳（メタデータ） (2026-04-09T18:00:05Z) - Learning Adaptive Force Control for Contact-Rich Sample Scraping with Heterogeneous Materials [0.5161531917413708]
グローバルな課題によって推進される、科学発見の加速に対する需要の増加は、先進的なAI駆動型ロボットの必要性を強調している。
人間中心の研究室にロボット化学者を配置することは、自律的な発見の次の地平の鍵だ。
本研究は, 安定かつ適合な物理相互作用を実現するために, 低レベルカルテシアンインピーダンス制御を頼りに, この問題に対処するための適応制御フレームワークを提案する。
本手法は5種類の材料で評価され, 平均10.9%の固定 Wrench ベースラインよりも優れた性能を示した。
論文 参考訳（メタデータ） (2026-03-11T17:07:55Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - InternVLA-A1: Unifying Understanding, Generation and Action for Robotic Manipulation [77.07565723756119]
InternVLA-A1は動的予測機能を備えた視覚言語モデルである。
我々は、実世界のロボットデータ、合成シミュレーションデータ、人間のビデオなどを用いて、これらのモデルを異種データソース上で事前訓練する。
InternVLA-A1を実世界の12のロボットタスクとシミュレーションベンチマークで評価した。
論文 参考訳（メタデータ） (2026-01-05T18:54:29Z) - PolaRiS: Scalable Real-to-Sim Evaluations for Generalist Robot Policies [88.78188489161028]
シミュレーションにおける政策評価と環境復元(PolaRiS)の導入
PolaRiSは、高忠実度シミュレーションロボット評価のためのスケーラブルなリアルタイム・シミュレート・フレームワークである。
PolaRiSの評価は,既存のシミュレーションベンチマークよりも,現実のジェネラリストのポリシー性能に強い相関関係があることが示されている。
論文 参考訳（メタデータ） (2025-12-18T18:49:41Z) - Real-to-Sim Robot Policy Evaluation with Gaussian Splatting Simulation of Soft-Body Interactions [27.247431258140463]
本稿では,現実の映像からソフトボディのディジタルツインを構築するための,リアル・トゥ・シミュレート・ポリシー評価フレームワークを提案する。
我々は,ぬいぐるみのパッキング,ロープルーティング,Tブロックプッシュなど,代表的な変形可能な操作タスクに対するアプローチを検証する。
論文 参考訳（メタデータ） (2025-11-06T18:52:08Z) - Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering [4.760567755149477]
本稿では,Unreal Engineの高度なレンダリング機能とMuJoCoの高精度物理シミュレーションを統合する新しいシミュレーションフレームワークを提案する。
我々のアプローチは、正確な物理的相互作用を維持しながら、現実的なロボット知覚を可能にする。
フレームワーク内のビジュアルナビゲーションとSLAMメソッドをベンチマークし、制御されながら多様なシナリオで実世界のロバスト性をテストするための実用性を実証する。
論文 参考訳（メタデータ） (2025-04-19T01:54:45Z) - Gazebo Plants: Simulating Plant-Robot Interaction with Cosserat Rods [11.379848739344814]
植物の動きをモデル化するために,コセラットロッドをベースとしたGazeboシミュレーションプラットフォーム用のプラグインを提案する。
筆者らは,このプラグインを用いて,果実を摘むロボットアームを模擬することにより,ガゼボで収穫シミュレーションを行うことができることを示した。
論文 参考訳（メタデータ） (2024-02-04T17:19:46Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z)
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。