論文の概要: Zero-HLM: Generalizable Humanoid Loco-Manipulation without Real Robot Data

• arxiv url: http://arxiv.org/abs/2610.35075v1
• Date: Mon, 26 Oct 2026 09:20:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.809247
• Title: Zero-HLM: Generalizable Humanoid Loco-Manipulation without Real Robot Data
• Title（参考訳）: Zero-HLM: ロボットデータを必要としない汎用型ヒューマノイドロコマニピュレーション
• Abstract要約: Zero-HLMは、スマートフォンのキャプチャとシミュレーションソースのデモを、ヒューマノイドのロコ操作のためのスケーラブルなトレーニングデータに変換する、リアルからシミュレート・トゥ・リアルなフレームワークである。 我々は3つのUnitree G1タスク間でゼロショット転送のための物理的に検証された4,800のデモを生成する。
• 参考スコア（独自算出の注目度）: 37.964845369085374
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Learning generalizable humanoid loco-manipulation remains bottlenecked by costly real-world demonstrations. Simulation provides a scalable alternative, but requires visually faithful, physics-ready scenes and executable whole-body motions. We present Zero-HLM, a real-to-sim-to-real framework that transforms smartphone captures and simulated source demonstrations into scalable training data for humanoid loco-manipulation. Gaussian-guided agentic real-to-sim reconstruction aligns visual and physical scenes; motion-environment co-adaptation uses rollout feedback to correct whole-body references and interaction geometry. We generate 4,800 physically validated demonstrations for zero-shot transfer across three Unitree G1 tasks. Simulation-trained GR00T N1.7 achieves 66.7% mean full-task success, versus 46.7% with real-data training. On generalized configurations, expanded simulation training raises pooled success from 23% for base-trained real-data policies to 69%, without additional real demonstrations. Project page: https://young-bit.github.io/zero-hlm/
• Abstract（参考訳）: 汎用的なヒューマノイド・ロコ操作の学習は、コストのかかる実世界の実証によってボトルネックを被っている。 シミュレーションはスケーラブルな代替手段を提供するが、視覚的に忠実で、物理対応のシーンと実行可能な全身の動きを必要とする。 提案するZero-HLMは、スマートフォンのキャプチャーとシミュレーションソースのデモを、ヒューマノイドのロコ操作のためのスケーラブルなトレーニングデータに変換する、リアルからシミュレート・トゥ・リアルなフレームワークである。 ガウス誘導のエージェント・トゥ・シム再構成は、視覚と身体のシーンを整列する; モーション環境の共適応は、ロールアウトフィードバックを使用して、全身の参照と相互作用の幾何学を補正する。 我々は3つのUnitree G1タスク間でゼロショット転送のための物理的に検証された4,800のデモを生成する。 シミュレーション訓練されたGR00T N1.7は66.7%、実際のデータトレーニングでは46.7%である。 一般化された構成では、拡張されたシミュレーショントレーニングによって、ベーストレーニング済みのリアルタイムポリシの23%から、さらなる実演なしで69%に成功している。 プロジェクトページ:https://young-bit.github.io/zero-hlm/

関連論文リスト

• Real2Gym: Building Gyms from Videos, Bringing Skills to Robots [19.362310545356344]
  我々はReal2Gymを紹介した。Real2Sim2Realフレームワークは人間とロボットのデモをインタラクティブなシミュレーションジムに変える。 Real2Simモジュールは編集可能なシーンを再構築し、オブジェクトとカメラを入力に合わせる。 これらの環境では、エージェントは操作段階の実行可能なコードを生成し、結果を観察し、成功した試行と失敗を再利用可能なタスク手順に蒸留する。
  論文  参考訳（メタデータ） (2026-09-29T09:16:49Z)
• Pre-training Visual Dexterity in Simulation [67.17477115017896]
  シミュレーションで完全に収集されたデータを利用するデクスタラスな操作のための事前学習フレームワークを導入する。 5人のオペレーターの助けを借りて、1週間にわたって75時間のマルチタスク・デキスタラスな操作を収集し、配列モデリングの目的に基づいて因果変換器を事前訓練する。 提案手法は,シミュレーション遠隔操作が実世界における創発的操作のトレーニング前情報源として有効なことを示し,学習行動のクローン化方針をゼロから上回る結果を得た。
  論文  参考訳（メタデータ） (2026-08-16T20:21:33Z)
• OASIS: From Simulation Data Collection to Real-World Humanoid Loco-Manipulation [51.37436817948304]
  OASISはヒューマノイドのロコ操作のためのシミュレーションデータ駆動のフレームワークである。 3次元生成モデルを用いて実世界の画像から現実的なオブジェクト資産を再構築する。 ゼロショットデプロイメントでは、実際のロボット遠隔操作データでトレーニングされたタスクよりも、ほとんどのタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-06-07T10:01:53Z)
• GEM-4D: Geometry-Enhanced Video World Models for Robot Manipulation [72.52773248997929]
  ビデオワールドモデルは、1つの命令から現実的な未来を生成できるが、時間とともに一貫したポイントレベルの動きを維持できないことが多い。 GEM-4Dは、トレーニング中にビデオ生成バックボーンに高密度な4D対応制御を注入する幾何学的地上ビデオワールドモデルである。 Inverse dynamicsモジュールは、対応性のあるビデオロールアウトを実行可能なロボットトラジェクトリに変換し、現実世界とシミュレーション操作の両方で直接デプロイできる。
  論文  参考訳（メタデータ） (2026-05-20T21:36:44Z)
• Robot Learning with Super-Linear Scaling [13.053949644385932]
  CASHERは、データ収集と学習をシミュレーションでスケールアップするためのパイプラインであり、パフォーマンスは人間の努力と超直線的にスケールする。 そこで我々は,CASHERにより,人的努力を伴わないビデオスキャンにより,事前学習したポリシーを目標シナリオに微調整できることを示す。
  論文  参考訳（メタデータ） (2024-12-02T18:12:02Z)
• Local Policies Enable Zero-shot Long-horizon Manipulation [80.1161776000682]
  ManipGenを紹介します。これはsim2real転送のための新しいポリシーのクラスであるローカルポリシーを活用します。 ManipGenは、SayCan、OpenVLA、LLMTrajGen、VoxPoserといったSOTAアプローチを、50の現実世界操作タスクで36%、76%、62%、60%で上回っている。
  論文  参考訳（メタデータ） (2024-10-29T17:59:55Z)

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。