論文の概要: AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation
- arxiv url: http://arxiv.org/abs/2610.31064v1
- Date: Thu, 22 Oct 2026 10:42:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.323042
- Title: AstroBench: Benchmarking Free-Floating Capture and Space Robotic Manipulation
- Title（参考訳）: AstroBench: フリーフロートキャプチャと宇宙ロボット操作のベンチマーク
- Abstract要約: AstroBenchは、固定ベースアームによる自由フローティングと宇宙ロボット操作のためのオープンベンチマークである。
既存のチェックポイントを用いて,買収に焦点を当てた2つの実験を報告する。
その結果、テストされたジェネリストチェックポイントの直接転送が困難であり、タスク固有のキャプチャ動作が成功した。
- 参考スコア（独自算出の注目度）: 27.204018427462064
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Capturing a loose object inside a spacecraft requires a robot to approach a target that can translate and rotate, and whose motion changes when contact is made. These conditions motivate evaluation beyond manipulation of supported objects. We introduce AstroBench, an open benchmark for free-floating capture and space robotic manipulation with a fixed-base arm. The task suite combines four initial-motion tracks with sample-storage operations based on MELFI hardware and cap and captive-screw servicing based on the Robotic Refueling Mission. The two workcells provide nine task definitions and 29 task-target combinations. A metadata-filtered Objaverse inventory supplies 8,414 object instances for asset expansion, alongside five cabin visual contexts and versioned task instructions. We report two acquisition-focused experiments using existing checkpoints. A frozen $π_{0.5}$ DROID joint-position policy captures 2 of 200 static targets and 4 of 200 moving targets across twenty object identities. A cube-specific ACT policy captures 8 of 10 static targets and 6 of 10 moving targets in a separate experiment. Each experiment retains its recorded observation, action and capture configuration. The results document difficult direct transfer for the tested generalist checkpoint and successful task-specific capture behavior, while identifying concrete settings for studying motion-aware perception and contact-sensitive control. Code, task definitions and editable workcell assets are available at https://github.com/AstroUpLab/AstroBench.
- Abstract（参考訳）: 宇宙船の内部でゆるい物体を捕獲するには、ロボットが翻訳と回転が可能なターゲットに接近し、接触時に動きが変化する必要がある。
これらの条件は、サポート対象の操作以上の評価を動機付ける。
AstroBenchは、固定ベースアームによる自由フローティングと宇宙ロボット操作のためのオープンベンチマークである。
作業スイートは4つの初期動作トラックと、MELFIハードウェアに基づくサンプル保存操作と、ロボティック・リフューリング・ミッション(Robotic Refueling Mission)に基づくキャップ・スクリュー・サーベイリングを組み合わせたものである。
2つのワークセルは9つのタスク定義と29のタスクターゲットの組み合わせを提供する。
メタデータをフィルタリングしたObjaverseインベントリは、アセット拡張のための8,414のオブジェクトインスタンスと、5つのキャビン視覚コンテキストとバージョニングされたタスク命令を提供する。
既存のチェックポイントを用いて,買収に焦点を当てた2つの実験を報告する。
凍結された$π_{0.5}$ DROID の合同配置ポリシーは、20個のオブジェクトのアイデンティティにわたって200の静的ターゲットのうち2つ、200の移動ターゲットのうち4つをキャプチャする。
立方体固有のACTポリシーは、別の実験で10の静的ターゲットのうち8と10の移動ターゲットのうち6をキャプチャする。
それぞれの実験は記録された観測、行動、捕獲の構成を維持している。
その結果、テスト対象の汎用チェックポイントの直接転送が困難で、タスク固有のキャプチャ動作が成功し、動作認識と接触感応性制御を研究するための具体的設定が特定できた。
コード、タスク定義、編集可能なワークセル資産はhttps://github.com/AstroUpLab/AstroBench.comで入手できる。
関連論文リスト
- OIL: An Object Interaction Layer for Humanoid Whole-Body Control [10.78987394423364]
油は、望まれるオブジェクトの動きと接触を含むように、全身制御のキネマティックなコマンドインターフェイスを拡張するオブジェクトインタラクション層である。
この設計により、プッシュ、プル、2腕のピック・アンド・プレイス、ロコモーション・カップリング・トランスポートなど、単一の学習されたポリシーで非包括的インタラクションを実行することができる。
論文 参考訳（メタデータ） (2026-10-01T05:12:31Z) - CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - CognitiveReality: Robot-Agnostic Semantic Gaussian Mapping with an LLM Agent for Immersive Collaborative VR Teleoperation [2.1645011609137295]
3Dビューは、ロボットがどこにいるかをテレオペレーターに伝えるが、シーンには含まれていない。
CognitiveRealityは、ロボットのRGB-Dストリームをオペレーターによる生きたセマンティックインデックス付きTSマップに変える。
論文 参考訳（メタデータ） (2026-09-25T15:39:28Z) - Sparse2Act: Learning Action-Aligned Sparse 3D Representations for Cross-Domain Robot Manipulation [52.00134393320209]
Sparse2Actは、スパースポイントクラウドエンコーダの事前学習のための観測・動作アライメントフレームワークである。
マスク付きスパース3Dトークンは、観察と組み合わせたワークスペース運動の周囲のシーン特徴を整理するために訓練される。
LIBERO-10ベンチマークでは,500ステップの微調整を行い,平均86.9%の成功を達成した。
論文 参考訳（メタデータ） (2026-06-10T23:56:01Z) - To Move or Not to Move: Constraint-based Planning Enables Zero-Shot Generalization for Interactive Navigation [14.745622942938532]
家庭環境や倉庫のような現実のシナリオでは、クラッタはすべてのルートをブロックすることができる。
本稿では,移動ロボットが乱雑に移動して自身の進路を鍛える,Lifelong Interactive Navigation問題を紹介する。
アクティブな認識を伴うLLM駆動制約に基づく計画フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T17:10:00Z) - MolmoSpaces: A Large-Scale Open Ecosystem for Robot Navigation and Manipulation [56.30931340537373]
MolmoSpacesは、ロボットポリシーのベンチマークをサポートするための、完全にオープンなエコシステムである。
MolmoSpacesは230万以上の屋内環境で構成されている。
MolmoSpaces-Benchは8つのタスクのベンチマークスイートで、ロボットが私たちの多様なシーンとリッチな注釈付きオブジェクトと対話する。
論文 参考訳（メタデータ） (2026-02-11T20:16:31Z) - Bench-Push: Benchmarking Pushing-based Navigation and Manipulation Tasks for Mobile Robots [6.551328007366227]
Bench-Pushはプッシュベースのモバイルロボットナビゲーションと操作タスクのための最初の統一ベンチマークである。
これには、プッシュベースのタスクにおける基本的な課題を捉える、シミュレーションされた環境の幅が含まれている。
また、効率性、インタラクションの取り組み、部分的なタスク完了を捉えるための新しい評価指標も含まれている。
論文 参考訳（メタデータ） (2025-12-12T17:25:32Z) - SCOOP'D: Learning Mixed-Liquid-Solid Scooping via Sim2Real Generative Policy [51.46611106470501]
我々は,OmniGibson(NVIDIA Omniverseをベースとした)のシミュレーションを用いて,スクーピングデモの収集を行うSCOOP'Dを提案する。
学習したポリシーを現実世界のさまざまなシナリオに適用し、さまざまなアイテム量、アイテム特性、コンテナタイプでそのパフォーマンスをテストする。
SCOOP'Dはすべてのベースラインとアブリケーションを上回り、これはロボットスクーピングスキルを取得するための有望なアプローチであることを示唆している。
論文 参考訳（メタデータ） (2025-10-13T16:11:34Z) - Tracking through Containers and Occluders in the Wild [32.86030395660071]
重い閉塞と封じ込めによる視覚追跡のための新しいベンチマークとモデルである$textbfTCOW$を紹介した。
我々は、教師付き学習とモデル性能の構造化評価の両方をサポートするために、合成データセットと注釈付き実データセットの混合を作成する。
最近の2つのトランスフォーマーベースビデオモデルを評価し,タスク変動の特定の設定下でターゲットを驚くほど追跡できるが,トラッキングモデルが真のオブジェクト永続性(permanence)の概念を獲得したと主張するまでには,かなりの性能差が残っていることを発見した。
論文 参考訳（メタデータ） (2023-05-04T17:59:58Z) - ArraMon: A Joint Navigation-Assembly Instruction Interpretation Task in
Dynamic Environments [85.81157224163876]
我々は、収集したオブジェクトを組み立てるビジョン・アンド・ランゲージナビゲーションとオブジェクト参照表現理解を組み合わせることで、新しい共同ナビゲーション・アンド・アセンブリタスク、ArraMonを作成します。
この作業中、エージェントは、複雑で現実的な屋外環境において、自然言語の指示に基づいてナビゲートすることで、異なる対象物を1対1で見つけ、収集するよう依頼される。
我々は,いくつかのベースラインモデル(積分とバイアス)とメトリクス(nDTW, CTC, rPOD, PTC)の結果を提示する。
論文 参考訳（メタデータ） (2020-11-15T23:30:36Z)
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。