論文の概要: LocoManiLab: A Unified Testbed for Data, Policies, Controllers, and Deployment in Humanoid Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2610.30876v3
• Date: Mon, 26 Oct 2026 03:42:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.194107
• Title: LocoManiLab: A Unified Testbed for Data, Policies, Controllers, and Deployment in Humanoid Loco-Manipulation
• Title（参考訳）: LocoManiLab: ヒューマノイドロコ操作におけるデータ、ポリシ、コントローラ、デプロイのための統一テストベッド
• Abstract要約: LocoManiLabは、データ収集と生成、ポリシートレーニング、評価、物理的なデプロイメントにまたがる統合テストベッドを提供する。 タスクスイートは5つの家庭のシーンにまたがる234の原子と構成のタスクをカバーし、シミュレーションされた遠隔操作を51.5時間サポートしている。
• 参考スコア（独自算出の注目度）: 58.17280744908779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots must coordinate locomotion and manipulation in everyday environments, yet progress is difficult to assess across differing policies, controllers, and task settings. LocoManiLab provides an integrated testbed spanning data collection and generation, policy training, evaluation, and physical deployment. Its task suite covers 234 atomic and compositional tasks across five household scene categories, supported by 51.5 hours of simulated teleoperation. The evaluation covers twelve policies with a shared controller across task and scene splits and perturbation levels, two policies across five controllers, and studies of demonstration scale and data-source mixtures. Success rates fall on unseen tasks and scenes and generally decline as visual perturbations increase, with differences in generalization and robustness across policies. For data generation, a humanoid motion generation model is fine-tuned for loco-manipulation to study the alignment of its outputs with task execution requirements and its integration into the data generation pipeline. Three simulated loco-manipulation tasks closely match real-world setups, enabling evaluation of three policies in both domains. Similar policy rankings support the reliability of simulation-based evaluation.
• Abstract（参考訳）: ヒューマノイドロボットは、日常の環境下での移動と操作を調整する必要があるが、異なるポリシー、コントローラ、タスク設定で進捗を評価することは困難である。 LocoManiLabは、データ収集と生成、ポリシートレーニング、評価、物理的なデプロイメントにまたがる統合テストベッドを提供する。 タスクスイートは5つの家庭のシーンにまたがる234の原子と構成のタスクをカバーし、シミュレーションされた遠隔操作を51.5時間サポートしている。 評価では,タスクとシーンの分割と摂動レベル,5つのコントローラにまたがる2つのポリシ,デモスケールとデータソースの混合に関する12のポリシを対象としている。 成功率は目に見えない仕事や場面で減少し、一般的には視覚的摂動が増加するにつれて減少し、政策間の一般化と堅牢性の違いがある。 データ生成には、ロコ操作のためのヒューマノイドモーション生成モデルを微調整し、その出力をタスク実行要求と整合させ、データ生成パイプラインに統合する。 3つのシミュレーションされたロコ操作タスクは実世界の設定と密接に一致し、両方のドメインにおける3つのポリシーの評価を可能にする。 同様のポリシーランキングは、シミュレーションベースの評価の信頼性をサポートする。

関連論文リスト

• MATE: Multi-Agent Virtual Teleoperation Platform for Humanoid Collaboration Data Collection [29.035698153523963]
  MATEはヒューマノイドコラボレーションデータ収集のための仮想TEleプラットフォームである。 協調行動24.1時間からなるマルチヒューマノイド協調データセットを構築した。 実験では、効率的なデータ収集、効果的なポリシー学習、仮想的なデモから物理的なヒューマノイドへのゼロショット転送が実証されている。
  論文  参考訳（メタデータ） (2026-09-22T14:45:17Z)
• HumanoidMimicGen: Data Generation for Loco-Manipulation via Whole-Body Planning [52.022681285103126]
  我々はHumanoid MimicGenについて述べる。 本手法は,少数の実演から新しい状態へ,接触に富んだ全身スキルを適応させる。 我々は、HumanoidMimicGenが生成したデータと協調してトレーニングされた全身ビズモータポリシーが、実世界のデータでのみトレーニングされたものよりも20%優れていたことを示す。
  論文  参考訳（メタデータ） (2026-05-26T21:57:11Z)
• Concurrent Prehensile and Nonprehensile Manipulation: A Practical Approach to Multi-Stage Dexterous Tasks [23.52755440099898]
  実世界のデキスタラスマルチタスク操作のためのサンプル効率の良いアプローチであるDexMultiを提案する。 モノリシックなポリシーを学習する代わりに、現在のオブジェクトの幾何学に基づくスキルを抽出する。 提案手法は,オブジェクトごとの3～4つの実演で平均66%の成功率を達成し,拡散政策ベースラインを2～3倍に向上させる。
  論文  参考訳（メタデータ） (2026-03-12T08:25:21Z)
• Evaluating Real-World Robot Manipulation Policies in Simulation [91.55267186958892]
  実環境と模擬環境の制御と視覚的格差は、信頼性のある模擬評価の鍵となる課題である。 実環境に完全忠実なデジタル双生児を作らなくても、これらのギャップを軽減できる手法を提案する。 シミュレーション環境の集合体であるSIMPLERを作成した。
  論文  参考訳（メタデータ） (2024-05-09T17:30:16Z)
• Efficient Data Collection for Robotic Manipulation via Compositional Generalization [70.76782930312746]
  本研究では, 環境要因をデータから構成し, 未確認の要因の組み合わせに遭遇した場合に成功できることを示す。 コンポジションを利用したドメイン内データ収集手法を提案する。 ビデオはhttp://iliad.stanford.edu/robot-data-comp/で公開しています。
  論文  参考訳（メタデータ） (2024-03-08T07:15:38Z)
• PoCo: Policy Composition from and for Heterogeneous Robot Learning [44.1315170137613]
  現在のメソッドは通常、1つのポリシーをトレーニングするために、1つのドメインからすべてのデータを収集し、プールします。 多様なモダリティやドメインにまたがる情報を組み合わせるための,ポリシ・コンポジションと呼ばれる柔軟なアプローチを提案する。 提案手法はタスクレベルの構成をマルチタスク操作に使用することができ,分析コスト関数を用いて推論時のポリシー動作を適応させることができる。
  論文  参考訳（メタデータ） (2024-02-04T14:51:49Z)
• Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
  シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。 しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。 視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
  論文  参考訳（メタデータ） (2023-07-28T05:47:24Z)

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。