論文の概要: ClothDojo: Learned Data Generation and Benchmarking for Bimanual Garment Flattening and Folding
- arxiv url: http://arxiv.org/abs/2611.01190v1
- Date: Sat, 31 Oct 2026 18:42:11 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 20:00:28.987597
- Title: ClothDojo: Learned Data Generation and Benchmarking for Bimanual Garment Flattening and Folding
- Title（参考訳）: ClothDojo: 双方向ガーメントフラット化とフォールディングのためのデータ生成とベンチマークを学ぶ
- Abstract要約: ClothDojoは、さまざまな衣服にまたがる大規模な適応的な操作トラジェクトリを生成するシミュレーションプラットフォームである。
我々は、データ生成ポリシーを得るために、人間のデモと修正に関するモデルを微調整する。
両業務とも、この政策は何百もの衣服に対して8000近い成功した軌道を生産している。
- 参考スコア（独自算出の注目度）: 14.80457491062314
- License:
- Abstract: Garment flattening and folding require robots to identify garment structure during manipulation and adapt their actions as the cloth deforms. We present ClothDojo, a simulation platform that generates adaptive manipulation trajectories at scale across diverse garments and initial states and evaluates policies in closed loop. ClothDojo encodes each garment's canonical mesh coordinates as an NOCS texture, providing canonical surface-position cues through the visual interface of a pretrained vision-language-action model. We fine-tune the model on human demonstrations and corrections to obtain a data-generation policy. The policy autonomously generates simulated manipulation trajectories, and we retain rollouts that satisfy task-specific success criteria. Each retained trajectory is re-rendered under a randomly sampled appearance to provide RGB observations for downstream policies that do not receive NOCS. Across both tasks, the policy produces nearly 8,000 successful trajectories over hundreds of garments. RGB policies trained on these generated trajectories outperform those trained directly on the original human demonstrations and corrections across all evaluated garment splits and appearance settings. Evaluations across multiple policy models show that overall performance and appearance robustness vary across models and tasks, while generalization to unseen garments remains a common challenge.
- Abstract（参考訳）: 衣服の平ら化と折り畳みは、操作中に衣服の構造を識別し、その動作を布の変形として適応させるロボットを必要とする。
多様な衣服や初期状態にまたがる適応的な操作トラジェクトリを大規模に生成し,クローズドループのポリシーを評価するシミュレーションプラットフォームであるCrosDojoを提案する。
ClothDojoは、各衣服の標準メッシュ座標をNOCSテクスチャとしてエンコードし、事前訓練された視覚-言語-アクションモデルの視覚インターフェースを通じて、標準表面配置の手がかりを提供する。
我々は、データ生成ポリシーを得るために、人間のデモと修正に関するモデルを微調整する。
このポリシーは, シミュレーション操作軌道を自律的に生成し, タスク固有の成功基準を満たすロールアウトを継続する。
保持された各軌道は、ランダムにサンプリングされた外観の下で再レンダリングされ、NOCSを受けない下流ポリシーに対するRGB観測を提供する。
両業務とも、この政策は何百もの衣服に対して8000近い成功した軌道を生産している。
生成された軌道で訓練されたRGBポリシーは、元の人間のデモや修正を直接訓練した人たちよりも優れています。
複数のポリシーモデルによる評価では、全体的なパフォーマンスと外観の堅牢性はモデルやタスクによって異なるが、見当たらない衣服への一般化は依然として一般的な課題である。
関連論文リスト
- Implicit Neural Representations of Individual Behavior [0.0]
我々は、ラベルのない多都市行動データからポリシー表現学習を研究する。
振舞い INR は状態-作用関数の状態をその後の行動にマッピングするポリシーを表す。
振舞いINRは、最も厳しい状態-動作設定におけるポリシーの識別性を最も改善する。
論文 参考訳（メタデータ） (2026-06-10T15:19:41Z) - TapSampling: Inference-Time Sampling with a Task-Progress-Understanding Verifier for Robotic Manipulation [61.35569005726248]
既存の具体的制御研究は、トレーニングデータとモデルサイズをスケールすることで、顕著なパフォーマンス向上を示す。
拡散や自己回帰モデルのような非決定論的生成モデルは、エンボディドコントロールの分野で広く採用されている。
推測時間サンプリングのためのプラグイン・アンド・プレイフレームワークである textbfTapSampling を提案する。
論文 参考訳（メタデータ） (2026-05-25T08:03:31Z) - Opening the Sim-to-Real Door for Humanoid Pixel-to-Action Policy Transfer [59.02729900344616]
GPUを加速したフォトリアリスティックなシミュレーションは、ロボット学習のためのスケーラブルなデータ生成パスを開いた。
視覚に基づくヒューマノイドロコ操作のための教師-学生-ブートストラップ学習フレームワークを開発した。
これは、純粋なRGB知覚を用いた多様な調音ロコ操作が可能な初めてのヒューマノイド・シム・トゥ・リアル政策である。
論文 参考訳（メタデータ） (2025-11-30T20:07:13Z) - DexGarmentLab: Dexterous Garment Manipulation Environment with Generalizable Policy [88.65584817043676]
衣料品の操作は、衣服カテゴリー、ジオメトリー、変形の多様性のために重要な課題である。
DexGarmentLabは,デキスタラスな(特にバイマニュアルな)衣料品の操作に特化して設計された最初の環境である。
15のタスクシナリオのための大規模な高品質な3Dアセットを備え、服のモデリングに適したシミュレーション技術を洗練し、シム・トゥ・リアルのギャップを減らす。
論文 参考訳（メタデータ） (2025-05-16T09:26:59Z) - FoldNet: Learning Generalizable Closed-Loop Policy for Garment Folding via Keypoint-Driven Asset and Demonstration Synthesis [9.22657317122778]
本稿では,ロボット衣服の折り畳みに使用できる合成衣料データセットを提案する。
我々はシミュレーションで折りたたみデモを生成し、クローズドループ模倣学習によって折りたたみポリシーを訓練する。
KG-DAggerはモデルのパフォーマンスを大幅に改善し、現実世界の成功率を25%向上させた。
論文 参考訳（メタデータ） (2025-05-14T03:34:30Z) - Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。
しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。
視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
論文 参考訳（メタデータ） (2023-07-28T05:47:24Z)
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。