論文の概要: Reading the Table: Sim-to-Real Game State Detection for the Chef's Hat Card Game
- arxiv url: http://arxiv.org/abs/2611.15524v1
- Date: Wed, 11 Nov 2026 14:14:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.166502
- Title: Reading the Table: Sim-to-Real Game State Detection for the Chef's Hat Card Game
- Title(参考訳): テーブルを読む:Chef's Hat Cardゲームのためのゲーム状態検出
- Abstract要約: テーブルトップゲームは、人工エージェントと人間のエージェントの相互作用を研究するための魅力的なシナリオを提供する。
ゲーム状態を評価するために、ロボットは異なるカードデザインなど、密接に関連するゲームオブジェクトを正確に検出する必要がある。
我々は,既知の3次元座標の再投影を用いた完全自動合成データ収集パイプラインを開発した。
実際のNICOヒューマノイドロボットを用いて評価すると、このパイプラインはカード・ゾーン割り当てのためのF1スコア0.906を達成する。
- 参考スコア(独自算出の注目度): 7.4968401543682015
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tabletop games offer a compelling scenario to study the interaction between artificial and human agents, combining social interaction with game state tracking and physical manipulation. To assess the game state, a robot needs to precisely detect closely related game objects, such as different card designs, requiring dedicated training data that is costly to annotate in the real world. Instead, we develop a fully automated synthetic data collection pipeline, using re-projection of known 3D coordinates to generate labels automatically and domain randomization to bridge the reality gap. This approach is used to collect a dataset of 25413 samples to finetune an object detection and a segmentation model, which are combined to assign detected cards to game-relevant zones and infer the game state. When evaluated on a real NICO humanoid robot, our pipeline achieves an F1-score of 0.906 for card-to-zone assignment, thus providing the perceptual foundation for a robot that can autonomously play Chef's Hat against human players.
- Abstract(参考訳): テーブルトップゲームは、人工エージェントと人間のエージェントの相互作用を研究するための魅力的なシナリオを提供する。
ゲーム状態を評価するために、ロボットは、異なるカードデザインなどの密接な関連するゲームオブジェクトを正確に検出する必要がある。
その代わりに、既知の3次元座標を再投影してラベルを自動的に生成し、現実のギャップを埋めるためにドメインランダム化を行う、完全に自動化された合成データ収集パイプラインを開発する。
このアプローチは25413個のサンプルを収集してオブジェクト検出を微調整し、検出されたカードをゲーム関連ゾーンに割り当ててゲーム状態を予測するセグメンテーションモデルを構築する。
実際のNICOヒューマノイドロボットで評価すると、私たちのパイプラインはカードとゾーンの割り当てのための0.906のF1スコアを達成し、人間のプレイヤーに対してChef’s Hatを自律的にプレイできるロボットの知覚基盤を提供する。
関連論文リスト
- Touch2Robot: Robot Touch in the Human Demonstration Loop [4.894188027885703]
Touch2Robotは、人間が対象のロボットがオブジェクトにどのように接触するかを確認しながら、デモを収集できるフレームワークだ。
我々は人間の手の動き、触覚手袋の測定、人間の操作時の物体の動きを捉える。
学習した動作を、人間の観測や物体形状をロボットの手の配置にマッピングする、統合されたリアルタイム再ターゲッターに蒸留する。
論文 参考訳(メタデータ) (2026-09-21T14:26:51Z) - 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) - Polaris: Open-ended Interactive Robotic Manipulation via Syn2Real Visual Grounding and Large Language Models [53.22792173053473]
我々はPolarisという対話型ロボット操作フレームワークを紹介した。
ポラリスはGPT-4と接地された視覚モデルを利用して知覚と相互作用を統合する。
本稿では,Syn2Real(Synthetic-to-Real)ポーズ推定パイプラインを提案する。
論文 参考訳(メタデータ) (2024-08-15T06:40:38Z) - Track2Act: Predicting Point Tracks from Internet Videos enables Generalizable Robot Manipulation [65.46610405509338]
我々は、ゼロショットロボット操作を可能にする汎用的な目標条件ポリシーを学習することを目指している。
私たちのフレームワークであるTrack2Actは、ゴールに基づいて将来のタイムステップで画像内のポイントがどのように動くかを予測する。
学習したトラック予測を残留ポリシーと組み合わせることで,多種多様な汎用ロボット操作が可能となることを示す。
論文 参考訳(メタデータ) (2024-05-02T17:56:55Z) - Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。
我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。
感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文 参考訳(メタデータ) (2023-06-16T17:58:10Z) - Markerless Camera-to-Robot Pose Estimation via Self-supervised
Sim-to-Real Transfer [26.21320177775571]
本稿では,オンラインカメラ・ロボット・キャリブレーションと自己監督型トレーニング手法を備えたエンドツーエンドのポーズ推定フレームワークを提案する。
我々のフレームワークはロボットのポーズを解くための深層学習と幾何学的ビジョンを組み合わせており、パイプラインは完全に微分可能である。
論文 参考訳(メタデータ) (2023-02-28T05:55:42Z) - Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。
搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。
ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
論文 参考訳(メタデータ) (2022-06-16T10:45:17Z) - Where is my hand? Deep hand segmentation for visual self-recognition in
humanoid robots [129.46920552019247]
本稿では、画像からロボットの手を切り離すための畳み込みニューラルネットワーク(CNN)を提案する。
ヒューマノイドロボットVizzyの手のセグメンテーションのために,Mask-RCNNネットワークを微調整した。
論文 参考訳(メタデータ) (2021-02-09T10:34:32Z) - Learning Topometric Semantic Maps from Occupancy Grids [2.5234065536725963]
本稿では,このようなインスタンスベースのセマンティックマップを,占有グリッドから純粋に抽出する手法を提案する。
我々は、ランダムな大きさの地図からドア仮説を検出し、セグメンテーションし、抽出するために、深層学習技術を組み合わせている。
提案手法を,公開されている実世界の複数のデータセットに対して評価する。
論文 参考訳(メタデータ) (2020-01-10T22:06:10Z)
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。