論文の概要: Perceptive Humanoid Motion from Simulation
- arxiv url: http://arxiv.org/abs/2611.06908v1
- Date: Wed, 04 Nov 2026 18:55:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.239639
- Title: Perceptive Humanoid Motion from Simulation
- Title(参考訳): シミュレーションによる知覚型ヒューマノイド運動
- Abstract要約: 本研究では,1000戸の戸建住宅を対象とした視覚・言語・モーションデータを合成するパイプラインを用いたヒューマノイド自律システムHALOを提案する。
HALOは、椅子に座って名前のついた物体をナビゲートしたり、半開きのドアを踏んだり、テーブルの下をしゃがんだり、箱を押したりといった、物理的なスキルのレパートリーを取得する。
トレーニング中に実家を見ることなく、HALOはゼロショットを物理的な世界に転送し、実際の6つの環境において360度トライアルで91%の成功率を達成した。
- 参考スコア(独自算出の注目度): 29.547640939095746
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid robots have the potential to automate a wide range of physical tasks. Progress toward generalist humanoid autonomy, however, remains constrained by a data bottleneck: mapping pixels and free-form language to low-level joint commands requires paired supervision, and no corpus of such data exists at sufficiently large scale. Some approaches rely on human teleoperation and wearable capture devices, which require at least an hour of human time to produce an hour of data. We present HALO, a humanoid autonomy system powered by a pipeline that synthesizes vision-language-motion data across a thousand procedurally generated homes. The corpus scales with compute rather than human labor. HALO acquires a repertoire of physical skills, including sitting on chairs, navigating to named objects, stepping sideways through half-open doors, crouching and crawling beneath tables, and pushing boxes. It orchestrates these skills to solve composite, long-horizon tasks. Without ever seeing a real home during training, HALO transfers zero-shot to the physical world, achieving a 91% success rate across 360 trials in six unmapped real-world environments. See https://apple-aiml-research.github.io/ml-halo/ for code and videos.
- Abstract(参考訳): ヒューマノイドロボットは、幅広い物理的なタスクを自動化する可能性がある。
ピクセルとフリーフォーム言語を低レベルのジョイントコマンドにマッピングするには、ペアによる監視が必要であり、そのようなデータのコーパスが十分に大規模に存在することはない。
いくつかのアプローチは、人間の遠隔操作とウェアラブルキャプチャデバイスに依存している。
本研究では,1000戸の戸建住宅を対象とした視覚・言語・モーションデータを合成するパイプラインを用いたヒューマノイド自律システムHALOを提案する。
コーパスは人間の労働よりも計算でスケールする。
HALOは、椅子に座って名前のついた物体をナビゲートしたり、半開きのドアを横に歩いたり、テーブルの下をしゃがんだり、箱を押したりといった、物理的なスキルのレパートリーを取得する。
これらのスキルを編成して、複合的、長期的タスクを解決します。
トレーニング中に実家を見ることなく、HALOはゼロショットを物理的な世界に転送し、実際の6つの環境において360度トライアルで91%の成功率を達成した。
コードとビデオについてはhttps://apple-aiml-research.github.io/ml-halo/を参照してください。
関連論文リスト
- $λ_0$: Scaling Open-World Egocentric Human Data for Humanoid Loco-Manipulation [30.82832348765787]
ヒューマノイド・ロコ・マニピュレーションは身体の世界との協調的な相互作用を必要とするが、ロボットのデモを大規模に収集するにはコストがかかる。
HumanVerseは、人体と手の動きを伴うエゴセントリックなビデオの、オープンワールドなロコ操作ペアリングのデータセットである。
我々の人間から人間へのパイプラインは、カメラの視点と腕の外観を一致させ、モーションリファレンスを洗練させ、コントローラの入力をオフラインにして、エンドエフェクタエラーを減らす。
論文 参考訳(メタデータ) (2026-10-13T17:40:58Z) - HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos [58.9564236347451]
HumanEgoは、人間とロボットのエンボディメントギャップを橋渡しするフレームワークである。
それは、人間のデモを、手動オブジェクトの相互作用の実体レベルの表現へと持ち上げる。
HumanEgoは、ロボットのデータフリー、ハードウェア非依存、データ効率、ゼロショットの人間とロボットの転送を可能にする。
論文 参考訳(メタデータ) (2026-05-24T08:26:41Z) - TWIST2: Scalable, Portable, and Holistic Humanoid Data Collection System [79.48781507497769]
既存のヒューマノイド遠隔操作システムは、分離された制御を使用するか、高価なモーションキャプチャー装置に依存している。
本稿では,携帯型モキャップフリーなヒューマノイド遠隔操作・データ収集システムであるTWIST2を紹介する。
長軸的,移動的ヒューマノイドスキルを実証し,約100%の成功率で15分で100個のデモを収集できる。
論文 参考訳(メタデータ) (2025-11-04T18:58:35Z) - EgoZero: Robot Learning from Smart Glasses [54.6168258133554]
EgoZeroはProject Ariaスマートグラスで捉えた人間のデモから堅牢な操作ポリシーを学ぶ。
EgoZeroのポリシーをFranka Pandaロボットにデプロイし、7つの操作タスクに対して70%の成功率でゼロショット転送を実演する。
この結果から,実世界におけるロボット学習のためのスケーラブルな基盤として,現在地にある人間のデータを活用できることが示唆された。
論文 参考訳(メタデータ) (2025-05-26T17:59:17Z) - HumanPlus: Humanoid Shadowing and Imitation from Humans [82.47551890765202]
ヒューマノイドが人間のデータから動きや自律的なスキルを学ぶためのフルスタックシステムを導入する。
まず、既存の40時間動作データセットを用いて、強化学習によるシミュレーションの低レベルポリシーを訓練する。
次に、自己中心型視覚を用いてスキルポリシーを訓練し、ヒューマノイドが自律的に異なるタスクを完了できるようにする。
論文 参考訳(メタデータ) (2024-06-15T00:41:34Z)
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。