論文の概要: AutoRSR: Automated Real-to-Sim-to-Real Data Generation for Scalable Robot Learning

• arxiv url: http://arxiv.org/abs/2610.20336v1
• Date: Wed, 14 Oct 2026 15:19:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.219002
• Title: AutoRSR: Automated Real-to-Sim-to-Real Data Generation for Scalable Robot Learning
• Title（参考訳）: AutoRSR:スケーラブルなロボット学習のためのリアルタイムデータ自動生成
• Abstract要約: Real-to-sim-to-realフレームワークは、スキャンした実世界のワークスペースを再利用可能なエンボディド・シミュレーションアセットとスケーラブルな操作データに変換する。 3つの実世界の操作タスクにおいて、1タスクごとに1Kで訓練されたポリシーは、73.3--86.7%の実世界の成功率を達成する。 その結果, 実世界の観測は, 人的労力を大幅に削減した, 定量的に一致し, 実行可能で, スケーラブルなシミュレーションデータに変換できることがわかった。
• 参考スコア（独自算出の注目度）: 47.99079199683363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaling embodied robot learning requires large and diverse manipulation datasets, but collecting real-world demonstrations remains expensive in human effort and robot time. Simulation provides a scalable alternative, yet converting a real workspace into a robot-learning-ready environment still requires substantial manual effort for object extraction, asset processing, coordinate calibration, and trajectory specification. We present AutoRSR, a highly automated real-to-sim-to real framework that converts scanned real-world workspaces into reusable embodied simulation assets and scalable manipulation data. Given multi-view observations, robot states, and open-vocabulary semantic queries, AutoRSR reconstructs the workspace, extracts individual object assets, and automatically registers the reconstructed scene to the robot base frame at metric scale. Starting from a small number of reference motions, AutoRSR then generates executable manipulation trajectories and scales them through trajectory interpolation and domain randomization. After workspace scanning and semantic queries, the remaining pipeline requires no manual object annotation, scene-to-robot calibration, or robot teleoperation. Across three real-world manipulation tasks, policies trained on 1K automatically generated episodes per task achieve 73.3--86.7% real-world success rates, comparable to pi 0.5 trained from 150 human teleoperated demonstrations, while reducing the human time required for data generation by an order of magnitude. These results demonstrate that real-world observations can be converted into metrically aligned, executable, and scalable simulation data with substantially reduced human effort.
• Abstract（参考訳）: ロボット学習のスケールには、大規模で多様な操作データセットが必要だが、人間の努力とロボット時間では、実世界のデモを集めるのが高価だ。 シミュレーションはスケーラブルな代替手段を提供するが、実際のワークスペースをロボット学習対応環境に変換するには、オブジェクト抽出、アセット処理、座標校正、軌道仕様のためのかなりの手作業が必要である。 本稿では,スキャンした実世界のワークスペースを再利用可能なエンボディド・シミュレーションアセットやスケーラブルな操作データに変換する,高度に自動化されたリアルタイムからシミュレート・トゥ・リアルなフレームワークであるAutoRSRを提案する。 マルチビュー観察、ロボット状態、オープンボキャブラリセマンティッククエリが与えられた後、AutoRSRはワークスペースを再構築し、個々のオブジェクト資産を抽出し、再構成されたシーンをメートルスケールでロボットベースフレームに自動的に登録する。 少数の参照運動から始まり、AutoRSRは実行可能な操作軌跡を生成し、軌道補間と領域ランダム化によってそれらをスケールする。 ワークスペースのスキャンとセマンティッククエリの後、残りのパイプラインは手動のオブジェクトアノテーション、シーン・トゥ・ロボットのキャリブレーション、ロボットの遠隔操作を必要としない。 3つの実世界の操作タスクの中で、1タスクごとに1Kで訓練されたポリシーは73.3--86.7%を達成し、150人の遠隔操作されたデモから訓練されたpi 0.5に匹敵する。 これらの結果から, 実世界の観測は, 人的労力を大幅に削減した, 定量的に一致し, 実行可能で, スケーラブルなシミュレーションデータに変換できることが示唆された。

関連論文リスト

• The Robot Data Factory [35.46679263015648]
  我々はミッション駆動型インフラであるRobot Data Factory (RDF)を紹介した。 RDFは、再現可能なミッション、スキルカリキュラム、同期されたマルチモーダルセンシング、外部の真実、エージェントロボットネットワーク、データパイプライン、生きたベンチマークを通じて、異種ロボットと環境固有のトレーニンググラウンドを編成する。 我々はさらにロボットの経験とその品質を定式化し、ミッションタスク・スキル・エポソード・データセット・ベンチマーク・能力階層を導入し、定量的なスケーリング法則と、ロボットの船体サイズ、センサーレート、ストレージ、学習表現、トークン化、訓練計算を連結するアルゴリズム手順を導出する。
  論文  参考訳（メタデータ） (2026-09-15T06:30:11Z)
• DataLadder: A Simulation-Enabled Interconversion Toolchain for the Embodied Data Pyramid [63.45560198934907]
  ジェネラリストロボットポリシーは、信頼できる評価とロボット使用可能なトレーニングデータを必要とする。 本稿では,人間ロボットによるモデル評価とデータ生成のためのシミュレーション可能な変換ツールチェーンであるDataLadderを提案する。 JD Cloud上のクラウドサービスとして、コア再構築、シミュレーション、レンダリング、リアリズム拡張モジュールをパッケージ化します。
  論文  参考訳（メタデータ） (2026-06-15T14:21:35Z)
• 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)
• ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
  本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。 提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。 我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2026-04-13T12:25:45Z)
• 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)
• 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)
• RoboPaint: From Human Demonstration to Any Robot and Any View [9.083647729839688]
  本研究では,人間による実演をロボットが実行可能な環境特化学習データに変換するためのリアルタイムデータ収集とデータ編集パイプラインを提案する。 そこで本研究では,10種類のオブジェクト操作タスクに対して,デキスハンドトラジェクトリの再ターゲットが84%の成功率を達成することを示す。 複雑なデクサラス操作のために,パフォーマンス損失を最小限に抑えた,スケーラブルで費用対効果の高い遠隔操作の代替手段を提供する。
  論文  参考訳（メタデータ） (2026-02-05T05:45:12Z)
• Synthetic Dataset Generation for Autonomous Mobile Robots Using 3D Gaussian Splatting for Vision Training [0.708987965338602]
  本論文では,Unreal Engineにおける注釈付き合成データの自動生成手法を提案する。 合成データセットが実世界のデータセットに匹敵する性能を達成できることを実証する。 これは、ロボットサッカーにおけるオブジェクト検出アルゴリズムのトレーニングのための合成データの最初の応用である。
  論文  参考訳（メタデータ） (2025-06-05T14:37:40Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)

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。