論文の概要: ManiLadder: Benchmarking Robot Manipulation Through a Categorized and Multi-Difficulty Level Task Ladder
- arxiv url: http://arxiv.org/abs/2611.16374v1
- Date: Thu, 12 Nov 2026 06:42:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.379704
- Title: ManiLadder: Benchmarking Robot Manipulation Through a Categorized and Multi-Difficulty Level Task Ladder
- Title(参考訳): ManiLadder: 分類された多難易度タスクラダーによるベンチマークロボット操作
- Abstract要約: ロボット操作のための大規模かつ組織化されたシミュレーションベンチマークであるManiLadderを紹介する。
ManiLadderには、112の慎重に設計されたタスクが含まれており、各レベルに8つのカテゴリがあり、剛体と変形可能なオブジェクト操作、シングルアームとデュアルアーム設定、グリッパーとデキスターズハンドのエンドエフェクターがある。
全てのタスクは、ターゲットの難易度範囲に落ちるまで反復的に洗練され、異なるランダムシード、ポリシー、エージェント学習システムで検証される。
- 参考スコア(独自算出の注目度): 32.745391733939776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in robotic manipulation have enabled increasingly complex and dexterous behaviors, yet existing benchmarks still focus on simple pick-and-place tasks and lack a systematic framework for measuring progress in robot learning along the axis of task difficulty. We present ManiLadder, a large-scale and organized simulation benchmark for robotic manipulation. ManiLadder contains 112 carefully designed tasks stratified into 4 difficulty levels, with 8 categories in each level, spanning rigid-body and deformable-object manipulation, single-arm and dual-arm settings, and gripper and dexterous-hand end-effectors. To calibrate difficulty, we fix the data amount the same for every task and use a unified flow- matching imitation learning policy under the same training and evaluation protocols, then use its evaluation success rate as an operational empirical difficulty signal. All tasks are iteratively refined until they fall into target difficulty ranges, which are then verified across different random seeds, policies, and agentic learning systems. We further analyze the task properties, compare different policy performances and training settings, analyze task transfer and data scaling behaviors, and conduct real-world experiments showing that the designed tasks preserve their difficulty ordering beyond simulation. ManiLad- der provides a calibrated ladder for measuring, comparing, and advancing robotic manipulation capabilities. More results are available at https://maniladder-benchmark.github.io/.
- Abstract(参考訳): ロボット操作の最近の進歩により、ますます複雑で器用な振る舞いが可能になったが、既存のベンチマークでは、単純なピック・アンド・プレイスタスクに焦点が当てられており、タスク困難の軸に沿ってロボット学習の進行を測定するための体系的な枠組みが欠如している。
ロボット操作のための大規模かつ組織化されたシミュレーションベンチマークであるManiLadderを紹介する。
ManiLadderには、112の慎重に設計されたタスクが4つの難易度に階層化されており、各レベルに8つのカテゴリがあり、剛体と変形可能なオブジェクト操作、シングルアームとデュアルアーム設定、グリッパーとデキスターズハンドのエンドエフェクターがある。
困難を校正するために、各タスクで同じデータ量を固定し、同一のトレーニングおよび評価プロトコルの下で一貫したフローマッチング模倣学習ポリシーを使用し、その評価成功率を運用経験的困難信号として利用する。
全てのタスクは、ターゲットの難易度範囲に落ちるまで反復的に洗練され、異なるランダムシード、ポリシー、エージェント学習システムで検証される。
さらに、タスク特性を分析し、異なるポリシーパフォーマンスとトレーニング設定を比較し、タスク転送とデータスケーリングの振る舞いを分析し、設計したタスクがシミュレーション以上の困難さを保っていることを示す実世界での実験を行う。
ManiLad- derは、ロボット操作能力の測定、比較、進歩のための調整済みのはしごを提供する。
さらなる結果はhttps://maniladder-benchmark.github.io/.com/で公開されている。
関連論文リスト
- DexArena: A Unified Benchmark for Long-Horizon Dexterous Manipulation [11.208732848412113]
DexArenaは、長い水平二次元デキスタラス操作における学習と一般化を評価するために設計されたベンチマークである。
10のロングホライゾンタスクと30のステージレベルのタスクがあり、様々な家庭や工業のシナリオにまたがっている。
統一されたベンチマークインターフェースと検証された人間操作のデモにより、異なるポリシー学習アルゴリズムをテストすることができる。
論文 参考訳(メタデータ) (2026-11-02T06:54:36Z) - RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments [91.39996227368]
汎用エージェントはますます、コードを書き、ツールを使い、複雑なデジタルタスクを完遂し、これらの能力が物理的な世界にどこまで浸透するかという疑問を提起している。
ロボットのインタフェースを通じて、指示や観察を物理的タスクの実行に変換するという、ロボット利用のための挑戦的なシミュレーションテストベッドであるRobotWorldを紹介した。
タスク結果と実行トレースを分析して、転送する機能と、信頼性の高い完了を防ぐギャップの両方を識別する。
論文 参考訳(メタデータ) (2026-10-07T16:55:24Z) - DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo [82.73355932907565]
DexJoCoはタスク指向のデクサラス操作のためのベンチマークとツールキットである。
本研究は,ツール使用,双方向調整,長期実行,推論などを評価する機能的なタスクを11個提示する。
我々は、視覚的・動的ランダム化、マルチタスクトレーニング、アクションヘッド適応など、多様な設定で最新のモデルをベンチマークする。
論文 参考訳(メタデータ) (2026-05-15T17:59:51Z) - RoboEval: Where Robotic Manipulation Meets Structured and Scalable Evaluation [32.080769025457926]
本稿では,現在の双方向操作ポリシーの限界を明らかにするために,シミュレーションベンチマークと構造化評価フレームワークであるRoboEvalを提案する。
RoboEvalは、空間、物理的、コーディネート機能に体系的に挑戦する、階層化されたセマンティックな基礎付けられた一連のタスクを導入した。
行動メトリクスは、タスクメトリックペアの半数以上の成功と相関し、バイナリ成功が飽和しても情報的であり続ける。
論文 参考訳(メタデータ) (2025-07-01T05:33:16Z) - SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending [79.83865372778273]
SkillBlenderは、多目的なヒューマノイドロコ操作のための新しい階層的強化学習フレームワークである。
SkillBlenderは、まずゴール条件付きタスク非依存のプリミティブスキルを事前訓練し、その後、これらのスキルを動的にブレンドして複雑なロコ操作タスクを達成する。
また,3つのエボディメント,4つのプリミティブスキル,8つの難解なロコ操作タスクを含む並列的,クロスエボディメント,多種多様なシミュレーションベンチマークであるSkillBenchを紹介した。
論文 参考訳(メタデータ) (2025-06-11T03:24:26Z) - Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳(メタデータ) (2024-07-22T06:12:21Z) - Multi-Stage Cable Routing through Hierarchical Imitation Learning [52.66135251744562]
本研究では,多段階ロボット操作タスクの学習の課題とケーブルルーティングへの応用について検討する。
本稿では,この手法を用いてケーブルルーティングタスクを学習し,優れた性能を示す評価を行うシステムを提案する。
論文 参考訳(メタデータ) (2023-07-18T02:14:49Z)
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。