論文の概要: PyRUA-DataFarm: LLM Agent as a Cost-Efficient Teleoperator for Real-Ready Robot Data
- arxiv url: http://arxiv.org/abs/2611.05320v1
- Date: Tue, 03 Nov 2026 18:25:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 12:57:00.72719
- Title: PyRUA-DataFarm: LLM Agent as a Cost-Efficient Teleoperator for Real-Ready Robot Data
- Title（参考訳）: PyRUA-DataFarm:リアルレディロボットデータのための費用効率の良いテレオペレーターとしてのLLMエージェント
- Abstract要約: 符号化エージェントがテレオペレーターの仕事を引き継ぐ方法を示す。
我々のDataFarmでは、エージェントはターゲットシーンにおけるロボットのデータ要求とキャリブレーションのエピソードを受信する。
シーン、専門家のコントローラー、そして成功の審査員を書く。
独立審査員は、入場前に専門家と各エピソードを認定する。
- 参考スコア（独自算出の注目度）: 33.043080035015784
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Teleoperation remains the default way to collect robot demonstrations, but every episode costs robot and operator time, and every new task starts from scratch. We ask whether a coding agent can take over the teleoperator's job. In our DataFarm, the agent receives a data request and one calibration episode of the robot in the target scene and rebuilds the task in simulation: it writes the scene, an expert controller, and a success judge. The simulator supplies exact actions, and a video model conditioned on real images renders each rollout as photographic video, generating all camera views together consistently. The output is real-ready data: synchronized camera views labelled with the robot's actions, on which a policy can be trained directly and deployed on the real robot. Independent judges certify the expert and every rendered episode before admission. On five real-robot tasks, policies trained only on farm data match policies trained on as many teleoperated episodes (93 vs. 84 successes in 100 trials), and under an unseen tablecloth and coloured light they keep 87 successes where the teleoperation-trained policies fall to 46. Adapting a task is fully automatic and costs \$21 of API usage on average, paid once per task, plus \$5 for a render contract; every further episode costs \$0.80 on average for simulation, rendering, and review, with no robot or operator. One hour of three-view data for a task costs \$107 on average, these costs included, slightly below a quote of \$117 for teleoperation in China and below \$290 in labour alone in North America.
- Abstract（参考訳）: 遠隔操作はロボットのデモを収集するためのデフォルトの方法だが、各エピソードはロボットとオペレーターの時間がかかり、新しいタスクはゼロから始まる。
符号化エージェントがテレオペレーターの仕事を引き継ぐことができるかどうかを問う。
我々のDataFarmでは、エージェントはターゲットシーンにおけるロボットのデータ要求とキャリブレーションのエピソードを受け取り、シミュレーションでタスクを再構築する。
シミュレーターは正確なアクションを提供し、実際の画像に条件付けされたビデオモデルは、各ロールアウトを写真ビデオとしてレンダリングし、すべてのカメラビューを一貫して生成する。
ロボットのアクションとラベル付けされた同期カメラビューでは、ポリシーを直接トレーニングし、実際のロボットにデプロイすることができる。
独立審査員は、入場前に専門家と各エピソードを認定する。
5つの実際のロボットタスクにおいて、ポリシーは、遠隔操作されたエピソードでトレーニングされたファームデータマッチングポリシー(100回のトライアルで93対84成功)にのみトレーニングされたポリシーでトレーニングされ、目に見えないテーブルクロスとカラーライトの下では、遠隔操作訓練されたポリシーが46に低下する87の成功を維持している。
タスクへの適応は完全に自動化されており、平均1タスク当たりのAPI使用料として21ドル、レンダリング契約で5ドル、シミュレーション、レンダリング、レビューで平均0.80ドルとなっている。
1時間分のタスクの3ビューデータは平均で107ドル、中国での遠隔操作で117ドル、北米だけで290ドルをわずかに下回った。
関連論文リスト
- Agentic RSR: Real-to-Sim-to-Real through Scene Reconstruction and Execution-Grounded Robot Policies [30.386726797060508]
Agentic Real-to-Sim-to-Realは、シーン再構築、ポリシー開発、リアルロボット実行をリンクするフレームワークである。
共有タスクレベルのインタフェースは、ポリシーと蓄積された経験を実際のロボットに伝達し、新鮮な観察と安全チェックがガイド実行をチェックする。
実ロボット実験では、シミュレーションタスク成功率の80%に達し、ハードウェア上でのシミュレーションパフォーマンスの相当な保持を示す。
論文 参考訳（メタデータ） (2026-10-07T17:37:20Z) - WorldContact: A Contact-Centric World Model for Scalable Robot Learning [63.61204799366772]
WorldContactは、変形可能なオブジェクト操作のための接触中心の世界モデルである。
原数値シミュレータよりも大きな時間ステップを用いてオブジェクトのダイナミクスを予測する。
1つのH100 GPUのステートロールアウト測定は、ソースシミュレータよりも10倍のスピードアップを示している。
論文 参考訳（メタデータ） (2026-09-17T02:27:32Z) - 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) - What Matters When Cotraining Robot Manipulation Policies on Everyday Human Videos? [51.606902362959495]
私たちは、28時間の高品質な三角測量された手ラベルと自然な動きを備えた532人のビデオのデータセットを使用します。
手のポーズの質は移動に影響を与えるが、正確な手であっても、視覚と政策ネットワークがそれぞれの実施に特化しない限り、固有の動きギャップは移動を妨げる。
論文 参考訳（メタデータ） (2026-06-04T18:24:23Z) - EasyMimic: A Low-Cost Framework for Robot Imitation Learning from Human Videos [51.158081196253626]
EasyMimicは、人間のビデオデモからロボットが操作ポリシーを学習することを可能にするフレームワークである。
本手法は,まずビデオから手指の3次元軌跡を抽出する。
アクションアライメントモジュールは、これらの軌道を低コストロボットのグリップ制御空間にマッピングする。
論文 参考訳（メタデータ） (2026-02-12T00:41:01Z) - RoboPaint: From Human Demonstration to Any Robot and Any View [9.083647729839688]
本研究では,人間による実演をロボットが実行可能な環境特化学習データに変換するためのリアルタイムデータ収集とデータ編集パイプラインを提案する。
そこで本研究では,10種類のオブジェクト操作タスクに対して,デキスハンドトラジェクトリの再ターゲットが84%の成功率を達成することを示す。
複雑なデクサラス操作のために,パフォーマンス損失を最小限に抑えた,スケーラブルで費用対効果の高い遠隔操作の代替手段を提供する。
論文 参考訳（メタデータ） (2026-02-05T05:45:12Z) - Toward Human-Robot Teaming: Learning Handover Behaviors from 3D Scenes [28.930178662944446]
本稿では,RGB画像のみから,人間とロボットのハンドオーバに着目したHRTポリシーのトレーニング手法を提案する。
ロボットグリップに装着したカメラでキャプチャした画像アクション対を含むロボットデモを生成する。
これにより、再構成シーンにおけるシミュレートされたカメラポーズ変更を直接グリップポーズ変更に変換することができる。
論文 参考訳（メタデータ） (2025-08-13T14:47:31Z) - Giving Robots a Hand: Learning Generalizable Manipulation with
Eye-in-Hand Human Video Demonstrations [66.47064743686953]
眼内カメラは、視覚に基づくロボット操作において、より優れたサンプル効率と一般化を可能にすることを約束している。
一方、人間がタスクを行うビデオは、ロボット遠隔操作の専門知識を欠いているため、収集コストがずっと安い。
本研究では,広範にラベルのない人間ビデオによるロボット模倣データセットを拡張し,眼球運動ポリシーの一般化を大幅に促進する。
論文 参考訳（メタデータ） (2023-07-12T07:04:53Z) - PATO: Policy Assisted TeleOperation for Scalable Robot Data Collection [19.04536551595612]
Policy Assisted TeleOperation (PATO) は、学習された支援ポリシーを用いて、デモ収集プロセスの一部を自動化するシステムである。
PATOはデータ収集における反復的な動作を自律的に実行し、どのサブタスクや動作を実行するかが不確実な場合にのみ人間の入力を要求する。
論文 参考訳（メタデータ） (2022-12-09T07:38:09Z)
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。