論文の概要: OmniPiano: Diverse Dexterous Piano-Playing Challenges for Standard, Robust, Safe, and Multi-Agent RL

• arxiv url: http://arxiv.org/abs/2611.00243v1
• Date: Fri, 30 Oct 2026 18:24:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:58:30.974865
• Title: OmniPiano: Diverse Dexterous Piano-Playing Challenges for Standard, Robust, Safe, and Multi-Agent RL
• Title（参考訳）: OmniPiano: 標準,ロバスト,安全,マルチエージェントRLのためのディバースデクスタースピアノ演奏チャレンジ
• Abstract要約: 有害なロボット操作は、ピアノ演奏によって実証されたロボット工学において依然として大きな課題である。 以前の研究はロボットピアノ演奏のベンチマークを確立しており、両手に限られており、統一的な評価をサポートしていない。 OmniPianoは、1～5つのシャドウハンドを提供し、標準、堅牢、安全、マルチエージェントのRLをサポートするベンチマークである。
• 参考スコア（独自算出の注目度）: 19.160664697341904
• License:
• Abstract: Dexterous robotic manipulation remains a major challenge in robotics, exemplified by piano playing, which requires coordinated control of fingers and provides a demanding testbed for reinforcement learning (RL). Although previous work established a benchmark for robotic piano playing, it is restricted to two hands and does not support unified evaluation. To address this gap, we introduce OmniPiano, a benchmark that provides one to up to five Shadow Hands and supports standard, robust, safe, and multi-agent RL within a shared piano-playing task family. OmniPiano is developed for scalable and diverse piano-playing tasks with configurable perturbations, explicit safety constraints, and decentralized cooperation settings. Particularly, to facilitate usability and extendability, OmniPiano adopts a highly modular design and provides comprehensive tasks to support RL study of task performance, robustness, safety, and cooperation in dexterous control. With at least 912 task settings and 36 baseline algorithms, OmniPiano further incorporates LLM-based agents to broaden the evaluation scope and reveal new insights. Extensive evaluations show that state-of-the-art RL algorithms and frontier LLM-based agents still struggle on challenging piano-playing tasks, even under standard RL settings, highlighting substantial room for improvement in dexterous control. The code, dataset, tutorial, and demo are available at https://sail-research-lab.github.io/omnipiano/.
• Abstract（参考訳）: ピアノ演奏は指の協調制御を必要とし、強化学習(RL)に必要なテストベッドを提供する。 以前の研究はロボットピアノ演奏のベンチマークを確立したが、これは両手に限られており、統一的な評価をサポートしていない。 このギャップに対処するため、私たちは最大5つのシャドウハンドを提供するベンチマークであるOmniPianoを紹介します。 OmniPianoは、構成可能な摂動、明示的な安全制約、分散協調設定を備えたスケーラブルで多様なピアノ演奏タスクのために開発されている。 特に、ユーザビリティと拡張性を促進するために、OmniPianoは高度にモジュール化された設計を採用し、タスクパフォーマンス、堅牢性、安全性、厳密な制御における協調性に関するRL研究をサポートする包括的なタスクを提供している。 少なくとも912のタスク設定と36のベースラインアルゴリズムで、OmniPianoはさらにLSMベースのエージェントを組み込んで評価範囲を広げ、新たな洞察を明らかにしている。 大規模な評価は、最先端のRLアルゴリズムとフロンティアのLLMベースのエージェントが、標準的なRL設定下であっても、ピアノ演奏の課題に苦戦していることを示している。 コード、データセット、チュートリアル、デモはhttps://sail-research-lab.github.io/omnipiano/で公開されている。

関連論文リスト

• SLoSa: Small, Low-Power, and Safe Foundation Models for Robotic Task Planning [4.550379206553809]
  安全なロボットタスク計画には、安全制約を満たしながらタスク目標を確実に達成できるプランナーが必要である。 本稿では,基礎モデルに基づくロボットタスクプランナを訓練するための,ニューロシンボリック圧縮および微調整フレームワークであるSLoSaを紹介する。
  論文  参考訳（メタデータ） (2026-10-20T22:09:44Z)
• VLA-Arena: An Open-Source Framework for Benchmarking Vision-Language-Action Models [33.143187576673775]
  本稿では,3つの軸にまたがる難易度を定量化するための新しい構造化タスク設計フレームワークを提案する。 タスク構造では、VLA-Arenaの170のタスクは、安全性、ディトラクタ、外挿、ロングホライゾンの4つの次元に分けられる。 タスク定義から自動評価までのエンドツーエンドツールチェーンと、微調整のためのVLA-Arena-S/M/Lデータセットを提供する。
  論文  参考訳（メタデータ） (2025-12-27T09:40:54Z)
• ODYSSEY: Open-World Quadrupeds Exploration and Manipulation for Long-Horizon Tasks [46.676862567167625]
  ODYSSEYは、マニピュレータを備えたアジャイル四足ロボットのための統合モバイル操作フレームワークである。 言語条件付きタスクにおける自我中心的認識の課題に対処するために,視覚言語モデルを用いた階層型プランナを導入する。 コントロールレベルでは、新しい全身政策は、挑戦的な地形をまたいだ堅牢な協調を実現する。
  論文  参考訳（メタデータ） (2025-08-11T17:54:31Z)
• RP1M: A Large-Scale Motion Dataset for Piano Playing with Bi-Manual Dexterous Robot Hands [57.64308229980045]
  ロボットピアノ100万のデータセットには,100万回以上の軌跡の動作データをバイマニュアルで演奏するロボットピアノが組み込まれている。 指の配置を最適な移動問題として定式化し、大量の未収録曲の自動アノテーションを可能にする。 既存の模倣学習手法のベンチマークでは、RP1Mを活用することにより、最先端のロボットピアノ演奏性能に達することが示されている。
  論文  参考訳（メタデータ） (2024-08-20T17:56:52Z)
• Plan-Seq-Learn: Language Model Guided RL for Solving Long Horizon Robotics Tasks [50.27313829438866]
  Plan-Seq-Learn (PSL) は、抽象言語と学習した低レベル制御の間のギャップを埋めるためにモーションプランニングを使用するモジュラーアプローチである。 PSLは85%以上の成功率、言語ベース、古典的、エンドツーエンドのアプローチを達成している。
  論文  参考訳（メタデータ） (2024-05-02T17:59:31Z)
• RoboPianist: Dexterous Piano Playing with Deep Reinforcement Learning [61.10744686260994]
  本稿では,150曲のピアノ作品の大規模なレパートリーをシミュレートして学習するシステムであるRoboPianistを紹介する。 また,オープンソース環境,タスクのベンチマーク,解釈可能な評価指標,今後の研究課題についても紹介する。
  論文  参考訳（メタデータ） (2023-04-09T03:53:05Z)

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。