論文の概要: AuRA: From Atoms to Bits through Autonomous Robot Interaction

• arxiv url: http://arxiv.org/abs/2610.34452v1
• Date: Sun, 25 Oct 2026 17:10:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.616086
• Title: AuRA: From Atoms to Bits through Autonomous Robot Interaction
• Title（参考訳）: AuRA: 自律ロボットインタラクションによる原子からビットへ
• Abstract要約: AuRAは、デジタル双対再構築のためのロボットインタラクションとデータ準備を自動化するシステムである。 アクティブな人的労働力とウォールタイムの収集時間を88.5%、55.4%削減する。 人間の収集したPhysTwinベースラインとは対照的に、AuRAは、既知のグリップ動作の下で将来の予測のために、9つの指標のうち7つを改善している。
• 参考スコア（独自算出の注目度）: 43.297705295706386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation enables robot-learning experiments at scale, but acquiring physics-informed digital twins often requires human manipulation and manual annotation of recorded interactions. To reduce this reliance on human effort, we present AuRA, a system that automates robot interaction and data preparation for digital-twin reconstruction. AuRA combines execution-aware grasp selection, gripper-motion measurements derived from robot states, and registered pre-interaction geometry and appearance priors. These choices enable autonomous collection, avoid reliance on visual gripper tracking, and recover object information obscured by the robot. Across 13 deformable objects, AuRA reduces active human labor and wall-clock collection time per successfully reconstructed asset by 88.5% and 55.4%, respectively. Relative to the human-collected PhysTwin baseline, AuRA improves seven of nine metrics for future prediction under known gripper motion, including a 28.1% reduction in one-way $L_1$ Chamfer distance. It also achieves similar mean silhouette IoU and Chamfer distance under the evaluated unseen interactions. These results highlight the potential of autonomous robot interaction to support more efficient digital-twin acquisition with comparable reconstruction quality.
• Abstract（参考訳）: シミュレーションはロボットの大規模学習実験を可能にするが、物理情報を得たデジタル双生児の獲得には、人間の操作と記録された相互作用の手動アノテーションが必要となることが多い。 このような人的努力への依存を軽減するため,ロボットのインタラクションとデジタル双対再構築のためのデータ準備を自動化するシステムであるAuRAを提案する。 AuRAは、実行対応のグリップ選択、ロボット状態から派生したグリップモーション測定、登録された事前操作幾何学と外観前処理を組み合わせる。 これらの選択は、自律的な収集、視覚的グリップトラッキングへの依存の回避、ロボットによって隠されたオブジェクト情報の回復を可能にする。 13個の変形可能な物体のうち、Auraはアクティブな人間の労働力と壁時計の収集時間をそれぞれ88.5%、55.4%削減した。 人類が編集したPhysTwinベースラインとは対照的に、AuRAは、既知のグリップ動作の下で将来の予測のために、9つの指標のうち7つを改善し、一方通行の$L_1$Chamfer距離を28.1%削減した。 また、評価されていない相互作用の下で、同様の平均シルエットIoUとチャンファー距離を達成する。 これらの結果は、より効率的なデジタル双対買収を支援するための自律ロボットインタラクションの可能性を強調している。

関連論文リスト

• EgoMatrix: Physically Faithful Dexterous Robot Demonstrations from Egocentric Human Videos [13.706010280492022]
  EgoMatrix(エゴマトリックス)は、モノクルな人間中心の動画をペア化されたロボット観察ビデオに変換するエンドツーエンドのデータエンジンである。 正確なメカニカル・シーン・リカバリではなく、相対幾何学と接触を重視してHOIを再構築する。 物理的に忠実な観察を状態と制御記録と同期させる。
  論文  参考訳（メタデータ） (2026-10-13T17:51:46Z)
• Touch2Robot: Robot Touch in the Human Demonstration Loop [4.894188027885703]
  Touch2Robotは、人間が対象のロボットがオブジェクトにどのように接触するかを確認しながら、デモを収集できるフレームワークだ。 我々は人間の手の動き、触覚手袋の測定、人間の操作時の物体の動きを捉える。 学習した動作を、人間の観測や物体形状をロボットの手の配置にマッピングする、統合されたリアルタイム再ターゲッターに蒸留する。
  論文  参考訳（メタデータ） (2026-09-21T14:26:51Z)
• 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)
• Robots Pre-train Robots: Manipulation-Centric Robotic Representation from Large-Scale Robot Datasets [24.77850617214567]
  本稿では,視覚的特徴と操作タスクの行動や受容といった動的情報の両方を抽出する基礎表現学習フレームワークを提案する。 具体的には、DROIDロボットデータセット上で視覚エンコーダを事前訓練し、ロボットの受容状態や動作などの動作関連データを活用する。 本研究では,視覚的観察をロボットの主観的状態-動作ダイナミクスと整合させる新しいコントラスト的損失と,事前トレーニング中の行動を予測する行動クローニング(BC)のようなアクター損失と,時間的コントラスト的損失を導入する。
  論文  参考訳（メタデータ） (2024-10-29T17:58:13Z)
• Human-Agent Joint Learning for Efficient Robot Manipulation Skill Acquisition [48.65867987106428]
  本稿では,人間とロボットの協調学習システムについて紹介する。 これにより、ロボットエンドエフェクターの制御を学習支援エージェントと共有することができる。 これにより、ダウンストリームタスクにおいて、収集されたデータが十分な品質であることを保証しながら、人間の適応の必要性を減らすことができる。
  論文  参考訳（メタデータ） (2024-06-29T03:37:29Z)
• 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)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)
• Hyperparameters optimization for Deep Learning based emotion prediction for Human Robot Interaction [0.2549905572365809]
  インセプションモジュールをベースとした畳み込みニューラルネットワークアーキテクチャを提案する。 モデルは人型ロボットNAOにリアルタイムに実装され、モデルの堅牢性を評価する。
  論文  参考訳（メタデータ） (2020-01-12T05:25:02Z)

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。