論文の概要: ScheduleGen: Demonstration Generation via Skill Scheduling for Multi-Arm Imitation Learning

• arxiv url: http://arxiv.org/abs/2610.39429v2
• Date: Sat, 31 Oct 2026 17:37:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:47:33.513937
• Title: ScheduleGen: Demonstration Generation via Skill Scheduling for Multi-Arm Imitation Learning
• Title（参考訳）: ScheduleGen:マルチアーム模倣学習のためのスキルスケジューリングによるデモ生成
• Abstract要約: 両腕ロボットやヒューマノイドロボットを含むマルチアームロボットプラットフォームは、シングルアームシステムよりもサイクルタイムの少ないタスクを完了させる能力を持っている。 大規模なマルチアーム操作データセットの取得は、依然としてボトルネックである。 マルチアームデモ生成のための統合型計画スケジューリングアルゴリズムScheduleGenを紹介する。
• 参考スコア（独自算出の注目度）: 27.740897888387412
• License:
• Abstract: Multi-arm robot platforms, including bimanual and humanoid robots, have the capability to complete tasks with lower cycle times than single-arm systems, but they are more difficult to safely control due to the presence of multi-arm constraints. The paradigm of training generalist robot policies from massive datasets is a promising approach to address general-purpose multi-arm manipulation, but the acquisition of large multi-arm manipulation datasets remains a bottleneck. Automated demonstration generation can alleviate this burden by synthesizing new demonstrations from a handful of source demonstrations, but existing algorithms ignore multi-arm constraints and as a result often induce unsafe and unsuccessful behaviors. We address this limitation by introducing ScheduleGen, an integrated planning & scheduling algorithm for multi-arm demonstration generation. We evaluate ScheduleGen on 28 simulation task variants, including seven externally authored RoboDojo tasks and settings inaccessible to prior systems; it achieves 79.6% mean data-generation success and trains policies with 65.5% mean success. ScheduleGen policies outperform those trained on a state-of-the-art data generation baseline, and achieve 50-80% success across eight real-world variants through zero-shot sim-to-real and real-to-sim-to-real transfer. Videos and more at: https://njawale42.github.io/ScheduleGen/
• Abstract（参考訳）: 両腕ロボットやヒューマノイドロボットを含むマルチアームロボットプラットフォームは、シングルアームシステムよりもサイクルタイムの少ないタスクを完了させる能力を持っているが、マルチアームの制約があるため、安全に制御することは困難である。 大規模データセットから汎用的なロボットポリシーをトレーニングするパラダイムは、汎用的なマルチアーム操作に対処するための有望なアプローチであるが、大規模なマルチアーム操作データセットの取得は依然としてボトルネックである。 自動デモ生成は、いくつかのソースデモから新しいデモを合成することで、この負担を軽減することができるが、既存のアルゴリズムは、マルチアームの制約を無視し、結果として、しばしば安全で失敗な振る舞いを誘発する。 マルチアームデモ生成のための統合計画スケジューリングアルゴリズムであるScheduleGenを導入することで,この制限に対処する。 シミュレーションタスクの28種類についてScheduleGenを評価した。RoboDojoの7つのタスクと以前のシステムにアクセシブルな設定が含まれており、79.6%がデータ生成の成功率、65.5%が成功率である。 ScheduleGenポリシは、最先端のデータ生成ベースラインでトレーニングされた人たちよりも優れており、ゼロショットのsim-to-realおよびreal-to-sim-to-real転送を通じて、8つの実世界の変種で50-80%の成功を達成する。 ビデオなど:https://njawale42.github.io/ScheduleGen/

関連論文リスト

• RoboEvolve: Co-Evolving Planner-Simulator for Robotic Manipulation with Limited Data [39.935955987139515]
  RoboEvolveは、VLMプランナーとVGMシミュレータを相互に強化した共進化ループに結合する新しいフレームワークである。 無ラベルのシードイメージで 純粋に操作することです 自律的な進歩的なカリキュラムによってガイドされ、システムは自然に単純な原子活動から複雑なタスクへとスケールする。
  論文  参考訳（メタデータ） (2026-05-13T16:54:36Z)
• UltraDexGrasp: Learning Universal Dexterous Grasping for Bimanual Robots with Synthetic Data [70.96218513410454]
  両面ロボットを用いた普遍的デクスタラスグリップのためのフレームワークであるUltraDexGraspを紹介する。 提案したデータ生成パイプラインは、最適化に基づくグリップ合成と計画に基づくデモ生成を統合する。 我々はUltraDexGrasp-20Mに基づいて、点雲を入力とし、一方向の注意を通してシーン特徴を集約し、制御コマンドを予測する、シンプルで効果的な把握ポリシーを開発した。
  論文  参考訳（メタデータ） (2026-03-05T15:54:21Z)
• RoboGene: Boosting VLA Pre-training via Diversity-Driven Agentic Framework for Real-World Task Generation [37.52152452548065]
  RoboGeneは多様な物理的に可能な操作タスクを生成するために設計されたエージェントフレームワークである。 広範に定量的な分析と大規模な実世界の実験を行い、18k軌道のデータセットを収集した。 結果は、RoboGeneが最先端の基礎モデルよりも大幅に優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-18T13:29:43Z)
• Ctrl-World: A Controllable Generative World Model for Robot Manipulation [53.71061464925014]
  汎用ロボットポリシーは、幅広い操作スキルを実行することができる。 未知の物体や命令で 彼らの能力を評価し 改善することは 重要な課題です 世界モデルは、イマジネーション空間内でポリシーの展開を可能にすることで、有望でスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-11T09:13:10Z)
• RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robust Bimanual Robotic Manipulation [52.2244588424002]
  我々は,多様かつ現実的なデータの自動生成のためのスケーラブルなフレームワークであるRoboTwin 2.0を紹介する。 コアとなるRoboTwin-ODは、セマンティックおよび操作関連アノテーションを備えた147カテゴリにわたる771インスタンスのオブジェクトライブラリである。 sim-to-real転送を改善するために、RoboTwin 2.0は5つの軸に沿って構造化された領域ランダム化を適用する。
  論文  参考訳（メタデータ） (2025-06-22T16:26:53Z)
• The Unreasonable Effectiveness of Discrete-Time Gaussian Process Mixtures for Robot Policy Learning [13.599764233174973]
  MiDiGapは、ロボット操作におけるフレキシブルポリシー表現と模倣学習のための新しいアプローチである。 1分以内でCPU上のタスクを学習し、大規模なデータセットに線形にスケールする。 様々な数ショットのベンチマークで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-05-06T08:27:23Z)
• Scaling Proprioceptive-Visual Learning with Heterogeneous Pre-trained Transformers [41.069074375686164]
  本稿では、政策ニューラルネットワークのトランクを事前訓練してタスクを学習し、共有表現を具体化する異種事前学習トランスフォーマー(HPT)を提案する。 52データセットの範囲で,トレーニング対象のスケーリング行動を調べる実験を行った。 HPTはいくつかのベースラインを上回り、未確認タスクで20%以上の微調整されたポリシー性能を向上させる。
  論文  参考訳（メタデータ） (2024-09-30T17:39:41Z)
• MimicGen: A Data Generation System for Scalable Robot Learning using Human Demonstrations [55.549956643032836]
  MimicGenは、少数の人間のデモから大規模でリッチなデータセットを自動的に合成するシステムである。 ロボットエージェントは,この生成したデータセットを模倣学習により効果的に訓練し,長期的・高精度なタスクにおいて高い性能を達成することができることを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:17:31Z)
• RoboAgent: Generalization and Efficiency in Robot Manipulation via Semantic Augmentations and Action Chunking [54.776890150458385]
  マルチタスク操作能力を持つユニバーサルエージェントを訓練するための効率的なシステムを開発した。 私たちは、12のスキルを持つ1つのエージェントを訓練することができ、38のタスクでその一般化を実証することができます。 平均すると、RoboAgentは目に見えない状況において、従来の方法よりも40%以上性能が高い。
  論文  参考訳（メタデータ） (2023-09-05T03:14:39Z)

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。