論文の概要: Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience

• arxiv url: http://arxiv.org/abs/2610.26855v1
• Date: Mon, 19 Oct 2026 17:59:55 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:15:00.355824
• Title: Ropedia W0: Scaling Loco-Manipulation World Models across Embodiments with Human Experience
• Title（参考訳）: Ropedia W0: 人的経験を持つ身体にまたがるロコ・マニピュレーション・ワールド・モデル
• Abstract要約: 我々は人間とロボットを対象とする最初のエゴセントリックなロコ操作世界基盤モデルであるRopedia W0を紹介する。 Xp-Dataは人間中心のデータ10k時間、マルチモーダルアノテーションと体系的な品質管理を備えたロボットデータの3k時間である。 Xp-Teleopは、高品質なヒューマノイド遠隔操作データに基づく長期ロコ操作ベンチマークである。
• 参考スコア（独自算出の注目度）: 53.592424079568076
• License:
• Abstract: World models enable embodied agents to anticipate action consequences, yet jointly modeling locomotion and manipulation across diverse embodiments remains challenging due to heterogeneous action spaces and limited multimodal supervision. We present Ropedia W0, the first egocentric loco-manipulation world foundation model spanning humans and robots with diverse embodiments. We curate Xp-Data, comprising 10k hours of egocentric human data and 3k hours of robot data with unified multimodal annotations and systematic quality control. A unified kinematic representation encodes locomotion through camera poses and manipulation through projected skeletons, with robot skeletons combining embodiment-specific forward kinematics with extensive manual keypoint annotation and correction. We also introduce Xp-Teleop, a long-horizon loco-manipulation benchmark based on high-quality dexterous humanoid teleoperation data. Evaluations demonstrate state-of-the-art performance across five cross-embodiment benchmarks (DreamDojo, $Ψ_0$, $ω$-HOME, Xp-Teleop, and AgiBot) and on held-out human egocentric video, from zero-shot inference to few-shot and full-data post-training. Scaling human pre-training data improves performance on both human and robot evaluations. After distillation, our model supports real-time, minute-long rollouts, enabling live VR interaction. Applications in policy evaluation, model-based planning, and world-action modeling further demonstrate the model's utility for embodied decision-making.
• Abstract（参考訳）: 世界モデルでは、実施したエージェントが行動の結果を予測することができるが、異種アクション空間と限定的なマルチモーダル監視のため、様々な実施物間での移動と操作を共同でモデル化することは困難である。 本稿では,人間とロボットを多種多様な実施形態で対象とする,最初のエゴセントリックなロボマニピュレーション世界基盤モデルであるRopedia W0を紹介する。 我々は,エゴセントリックな人間データ10k時間と,統合マルチモーダルアノテーションと体系的な品質管理を備えた3k時間のロボットデータからなるXpデータをキュレートする。 統合されたキネマティック表現は、カメラのポーズを通じて動きを符号化し、投影された骨格を通して操作する。 また,高品質な人型遠隔操作データに基づく長軸ロコ操作ベンチマークXp-Teleopを導入する。 評価は、5つのクロスエンボディメントベンチマーク(DreamDojo、$a_0$、$ω$-HOME、Xp-Teleop、AgiBot)と、ゼロショット推論から少数ショット、フルデータポストトレーニングまで、ホールドアウトされた人間中心のビデオのパフォーマンスを示している。 人間の事前トレーニングデータのスケーリングは、人間とロボットの評価におけるパフォーマンスを改善する。 蒸留後、我々のモデルはリアルタイム、数分のロールアウトをサポートし、ライブVRインタラクションを可能にします。 政策評価、モデルに基づく計画、および世界行動モデリングの応用は、モデルが具体的意思決定に有用であることをさらに示している。

関連論文リスト

• Towards a General Humanoid Loco-Manipulation Model via Egocentric Whole-Body Human Data Pretraining [52.5433937516238]
  ヒューマノイド全体の操作は急速に進歩し、運動、姿勢、双方向の相互作用、手の動きを協調するポリシーが実現された。 エゴセントリックなヒューマンビデオは、オブジェクトやシーン間の日々のインタラクションのさまざまな例を提供し、ロボット操作なしでスケーラブルな監視を提供する。 我々は,オープンワールド環境における多様なロボット操作行動の500時間データセットであるHumanVerse-500を紹介する。
  論文  参考訳（メタデータ） (2026-09-30T17:25:16Z)
• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• H2R-Bench: Benchmarking Human-to-Robot Manipulation Video Generation in World Models [56.60098789696351]
  H2R-Benchは、人間とロボットの相互操作ビデオ生成を評価するためのベンチマークである。 各ベンチマークインスタンスには、人間のデモビデオ、ターゲットの実施制約、ソース地上アノテーションが含まれている。 我々は、6つの操作ファミリーと2つのロボットエボディメントで11の最先端のビデオ生成モデルをベンチマークした。
  論文  参考訳（メタデータ） (2026-08-13T10:14:33Z)
• $Ψ_0$: An Open Foundation Model Towards Universal Humanoid Loco-Manipulation [39.811210435945924]
  本稿では,ヒューマノイドのロコ操作課題に対処するオープン基盤モデルを提案する。 我々の研究は、重要だが見落とされがちなデータレシピを特定します。 高品質な人間操作データに対する事前トレーニングと、ドメイン固有の実世界のヒューマノイド軌道のポストトレーニングにより、優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2026-03-12T17:59:51Z)
• 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)
• Scalable Vision-Language-Action Model Pretraining for Robotic Manipulation with Real-Life Human Activity Videos [42.86535655563404]
  我々は、任意の手動ビデオのための完全自動化された総合的人間活動分析手法を開発した。 大量のエゴセントリックなビデオを処理し、100Mエピソードと26Mフレームを含む手動VLAトレーニングデータセットを作成します。 我々は手動VLAモデルアーキテクチャを設計し、このデータセット上でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2025-10-24T15:39:31Z)

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。