論文の概要: AQUAACT: A Joystick-Level Underwater Teleoperation Dataset and Closed-Loop Benchmark

• arxiv url: http://arxiv.org/abs/2610.25534v1
• Date: Sun, 18 Oct 2026 21:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 13:42:25.852767
• Title: AQUAACT: A Joystick-Level Underwater Teleoperation Dataset and Closed-Loop Benchmark
• Title（参考訳）: AquaACT: ジョイスティックレベルの水中遠隔操作データセットとクローズドループベンチマーク
• Abstract要約: AQUAACTは、人間のジョイスティックコマンドとカメライメージをペアリングする、言語に注釈を付けた最初の水中データセットである。 実世界の1.9時間、シミュレーションによる17.9時間であり、どちらも人間のパイロットによって飛行されている。 AQUAACTによる実験では、シミュレーションされたデモが実際のデータに転送され、ポリシーが必要とする実際のデモが大幅に削減されることが示されている。
• 参考スコア（独自算出の注目度）: 1.4544989316741088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater robots support a growing range of work, from inspecting offshore structures and pipelines to surveying reefs and accompanying divers. Most of these tasks, however, are still flown by hand by a pilot, which raises the question of whether they can be carried out autonomously instead. On land, vision-language-action (VLA) models already let robots carry out tasks autonomously from language instructions, which makes them a natural candidate for taking the pilot's place. Underwater, however, there is little data to train such models. We take inspiration from how these tasks are flown today: the pilot watches the camera image and steers with a joystick, whose commands the flight controller turns into motion. We therefore record the pilots and introduce AQUAACT, to our knowledge the first publicly available language-annotated underwater dataset pairing camera images with human joystick commands. It comprises 1.9 hours of real-world and 17.9 hours of simulated demonstrations, both flown by human pilots, together with the vehicle's inertial measurements. Experiments with AQUAACT show that its simulated demonstrations transfer to real data and greatly reduce the real demonstrations a policy needs. A closed-loop benchmark of seven policies in simulation, from imitation-learning baselines to VLA models, each trained with its default recipe, shows that these tasks remain far from solved: no policy completes more than a fifth of the episodes. Pretraining on land data gives large VLA models no advantage over small policies trained from scratch, a gap that land-trained models have yet to close underwater.
• Abstract（参考訳）: 水中ロボットは、オフショア構造やパイプラインの検査からサンゴ礁の測量、それに付随するダイバーまで、幅広い作業を支援している。 しかし、これらの作業の多くはパイロットによって手動で行われており、代わりに自律的に実施できるかどうかという疑問が持ち上がっている。 陸上では、視覚言語アクション(VLA)モデルによって、ロボットが言語命令から自律的にタスクを実行することができる。 しかし、水中ではそのようなモデルを訓練するデータはほとんどない。 操縦士はカメラの映像を見てジョイスティックで操縦し、操縦士の命令が動きに変わる。 そこで、パイロットを記録してAQUAACTを紹介し、人間のジョイスティックコマンドでカメラ画像とペアリングする言語に注釈を付けた水中データセットを初めて公開しました。 実世界の1.9時間、シミュレーションによる17.9時間であり、どちらも人間の操縦士によって飛行され、また車両の慣性測定も行われた。 AQUAACTによる実験では、シミュレーションされたデモが実際のデータに転送され、ポリシーが必要とする実際のデモが大幅に削減されることが示されている。 模擬学習ベースラインからVLAモデルまで、シミュレーションにおける7つのポリシーのクローズループベンチマークでは、それぞれがデフォルトのレシピでトレーニングされているため、これらのタスクは解決されていない。 陸域データの事前学習は、陸域で訓練されたモデルがまだ水中で閉じていない小さな方針よりも大きなVLAモデルに有利である。

関連論文リスト

• ULOHA: An Underwater Bimanual Robot System for Robot Learning [0.3867363075280544]
  ULOHAは、遠隔操作、多視点センシング、デモコレクション、ポリシートレーニング、自律的展開を組み合わせた水中双方向ロボット学習プラットフォームである。 実ロボット実験は、アーム間移動、共有オブジェクト操作、浮力駆動のインターセプションなど、水中の協調的な挙動を実証している。
  論文  参考訳（メタデータ） (2026-09-16T08:43:25Z)
• SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
  我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。 孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。 我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
  論文  参考訳（メタデータ） (2026-08-07T17:59:09Z)
• Vision-Based Agile Landing on Turbulent Waters [20.61876675265201]
  本稿では,移動型海上プラットフォームへの自律型マルチロータ着陸のための強化学習に基づくアプローチを提案する。 提案手法では,マルチロータ状態測定と局所的な視覚的特徴を併用して,姿勢と推力の予測を行う。 本研究は, メリーラフの海況に対応するプラットフォーム動作下で, 最先端のモデル予測制御のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-22T14:59:17Z)
• WARPED: Wrist-Aligned Rendering for Robot Policy Learning from Egocentric Human Demonstrations [10.024841990710177]
  WARPEDは人間のデモビデオからリアルな手首ビューの観察を合成するためのフレームワークである。 ハンドオブジェクトインタラクションパイプラインを使用して、手と操作対象を追跡し、軌道をロボットのエンドエフェクタに再ターゲットする。 我々は、WARPEDが5つのテーブルトップ操作タスクのための遠隔操作デモデータに基づいて訓練されたポリシーに匹敵する成功率を達成することを実証した。
  論文  参考訳（メタデータ） (2026-04-12T20:40:59Z)
• UMI-Underwater: Learning Underwater Manipulation without Underwater Teleoperation [14.624992211938155]
  水中ロボティクスの把握は、劣化した、高度に変動した画像と、多様な水中デモを収集する費用が原因で困難である。 本稿では,自己教師型データ収集パイプラインを通じて,水中のグリップデモを自律的に収集するシステムを提案する。 プール実験において,本手法はバックグラウンドシフトに対する性能とロバスト性を向上し,オンランドデータにのみ見られるオブジェクトへの一般化を可能にする。
  論文  参考訳（メタデータ） (2026-03-27T22:01:19Z)
• DreamDojo: A Generalist Robot World Model from Large-Scale Human Videos [110.98100817695307]
  私たちはDreamDojoを紹介します。DreamDojoは、多種多様なインタラクションと、エゴセントリックな人間ビデオの44万時間から厳密なコントロールを学ぶ基礎的な世界モデルです。 本研究は, 遠隔操作, 政策評価, モデルベース計画など, 生成的世界モデルに基づくいくつかの重要な応用を可能にする。
  論文  参考訳（メタデータ） (2026-02-06T18:49:43Z)
• NAUTILUS: A Large Multimodal Model for Underwater Scene Understanding [60.76337064425815]
  本研究では,水中の自動探査を目的とした水中シーン理解手法について検討する。 NautDataは、8つの水中シーン理解タスクをサポートする1.45Mイメージテキストペアを含むデータセットである。 本稿では,透明な水中情報を明示的に復元するVFEモジュールを提案する。
  論文  参考訳（メタデータ） (2025-10-31T14:00:35Z)
• AirScape: An Aerial Generative World Model with Motion Controllability [29.696659138543136]
  AirScapeは、6自由度飛行エージェント用に設計された世界初の世界モデルである。 現在の視覚的入力と動きの意図に基づいて将来の観測を予測する。
  論文  参考訳（メタデータ） (2025-07-10T16:05:30Z)
• Latent Action Pretraining from Videos [156.88613023078778]
  一般行動モデル(LAPA)のための潜在行動事前訓練について紹介する。 LAPA(英: LAPA)は、VLA(Vision-Language-Action)モデルに接地型ロボットアクションラベルを含まない教師なしの訓練方法である。 本稿では,ロボットアクションラベルを持たないインターネット規模のビデオから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-15T16:28:09Z)
• Multi-model fusion for Aerial Vision and Dialog Navigation based on human attention aids [69.98258892165767]
  本稿では,2023年ICCV会話史のための航空航法課題について述べる。 本稿では,人間注意支援型トランスフォーマモデル(HAA-Transformer)と人間注意支援型LSTMモデル(HAA-LSTM)の融合訓練方法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T10:32:52Z)

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。