論文の概要: HALO: Human-Aligned Data Collection for WhoLe-body MObile Manipulation
- arxiv url: http://arxiv.org/abs/2611.16439v1
- Date: Thu, 12 Nov 2026 07:51:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.393336
- Title: HALO: Human-Aligned Data Collection for WhoLe-body MObile Manipulation
- Title(参考訳): HALO:Le-body Mobile Manipulationのためのヒューマンアラインデータコレクション
- Abstract要約: 本研究では,全体移動操作のためのヒューマンアラインデータ収集システムであるHALOを紹介する。
このシステムは、操作者の知覚と行動空間をロボットと一致させ、直接の物理的フィードバックと自然な移動を保存する。
Mobile ALOHAとVRの遠隔操作と比較して、HALOは最大2.9倍高速なデモコレクションを可能にする。
- 参考スコア(独自算出の注目度): 30.319584826374495
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning whole-body mobile manipulation requires demonstrations that coordinate bimanual actions with locomotion across extended workspaces. However, existing interfaces trade off direct robot control, perception and action alignment, and natural operator mobility, making such demonstrations difficult to collect. We introduce HALO, a human-aligned data collection system for whole-body mobile manipulation. The system aligns the operator's perception and action space with the robot while preserving direct physical feedback and natural locomotion. Operators guide the robot end-effectors through kinesthetic teaching and move a low-resistance platform without the deployed mobile base while performing bimanual manipulation. This interface enables more natural whole-body demonstrations, but the close human-robot coupling introduces discrepancies between the demonstration and deployment settings. We address these discrepancies with deployment-aligned demonstration processing, which calibrates and temporally aligns platform motion with the deployed base response and masks and inpaints demonstrator hands in recorded observations. Compared with Mobile ALOHA and VR teleoperation, HALO enables up to 2.9x faster demonstration collection while maintaining comparable or higher success rates. Policies trained with HALO perform precise manipulation tasks, including zip-tie fastening, and achieve a 73.3% success rate on a six-stage long-horizon mobile manipulation task involving repeated coordinated base and arm motion. Project page: https://robbyant-research.github.io/Lingbot-ALOHA/
- Abstract(参考訳): 体全体のモバイル操作を学習するには、拡張ワークスペースをまたいだ双方向動作とロコモーションを協調するデモが必要である。
しかし、既存のインターフェースはロボットの直接制御、知覚と行動のアライメント、そして自然操作者の移動をオフにしており、このようなデモを収集することは困難である。
本研究では,全体移動操作のためのヒューマンアラインデータ収集システムであるHALOを紹介する。
このシステムは、操作者の知覚と行動空間をロボットと一致させ、直接の物理的フィードバックと自然な移動を保存する。
オペレータは、ロボットのエンドエフェクターを審美的な指導を通じてガイドし、デプロイされた移動体ベースを使わずに低抵抗プラットフォームを移動させ、バイマニュアル操作を行う。
このインターフェースにより、より自然なボディ全体のデモが可能になるが、人間とロボットの密結合は、デモとデプロイメント設定の相違をもたらす。
これらの不一致に対処するためには、配備されたベースレスポンスとマスクにプラットフォームの動きを調整し、時間的に調整し、記録された観察でデモンストレーターの手をペンキで塗る、配置整列デモ処理を行う。
Mobile ALOHAとVRの遠隔操作と比較して、HALOは最大2.9倍の高速なデモ収集が可能であり、高い成功率を維持している。
HALOで訓練されたポリシーは、ジップタイの締め付けを含む正確な操作を行い、6段の長い水平移動操作タスクにおいて73.3%の成功率を達成する。
プロジェクトページ:https://robbyant-research.github.io/Lingbot-ALOHA/
関連論文リスト
- DexSeed: Expanding Human Hand-Object Interactions into Robot Demonstrations for Dexterous Policy Learning [67.11086498041455]
本研究では,視覚-言語-行動学習のための多種多様な物理的動作可能なロボットデモを生成する方法について検討する。
DexSeedは,人手-ロボット・オブジェクト間の相互作用から,低コストでデキスタス・ロボットデータを生成するためのフレームワークである。
論文 参考訳(メタデータ) (2026-11-10T13:52:18Z) - FOMI: A Force-Feedback Manipulation Interface for Teaching Contact-Rich Manipulation [59.638802273101646]
FOMIは、ハサミ型機構を備えたフォースフィードバック操作インタフェースである。
本研究では,センサキャリブレーション,データ取得,ロボットフリーコレクションの同期処理を統合したデモコレクションシステムを構築した。
FOMIは、ロボットフリーのコレクションと遠隔操作において、最高のベースラインよりも、コレクション効率を約29%と18%向上させる。
論文 参考訳(メタデータ) (2026-10-14T09:10:24Z) - InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳(メタデータ) (2026-10-05T17:59:50Z) - DexRoam: Learning Mobile Bimanual Dexterous Manipulation from Egocentric Whole-Body Human Demonstrations [39.780100610094884]
DexRoamは、人間のデモンストレーションからモバイルバイマン的なデキスタラスな操作を学習するためのシステムである。
コンシューマーVRヘッドセットとヘッドマウントステレオカメラのみで、外部カメラやモーショントラッカーを使わずに、トラッカーレスキャプチャシステムを開発した。
次に,ロボットの動作空間に撮影動作をマッピングする,3つの明示的なアライメントステージを実行する。
論文 参考訳(メタデータ) (2026-09-28T17:59:10Z) - Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。
主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。
ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
論文 参考訳(メタデータ) (2026-09-18T09:06:15Z) - ActiveGlasses: Learning Manipulation with Active Vision from Ego-centric Human Demonstration [51.69384671495837]
ActiveGlassesは、エゴ中心の人間のデモからロボット操作を学習するシステムである。
スマートグラスに装着されたステレオカメラは、データ収集とポリシー推論の両方のための唯一の認識装置として機能する。
ゼロ・トランスファーを可能にするために,デモからオブジェクト・トラジェクトリを抽出し,オブジェクト中心のポイント・クラウド・ポリシーを用いて操作と頭部運動を協調的に予測する。
論文 参考訳(メタデータ) (2026-04-09T17:59:08Z) - HoMMI: Learning Whole-Body Mobile Manipulation from Human Demonstrations [15.551927664158695]
Whole-Body Mobile Manipulation Interface (HoMMI)は、ロボットのない人間のデモから直接、全身のモバイル操作を学習する。
我々は、モバイル操作に必要なグローバルコンテキストをキャプチャするために、エゴセントリックな感覚でUMIインタフェースを拡張する。
私たちはこのギャップを、クロス・エボディメント・ハンド・アイ・ポリシー設計で明示的に埋めます。
論文 参考訳(メタデータ) (2026-03-03T18:36:49Z) - Whole-Body Teleoperation for Mobile Manipulation at Zero Added Cost [8.71539730969424]
MoMa-Teleopは、既存のインターフェースからエンドエフェクタ動作を推測する新しい遠隔操作手法である。
提案手法は,様々なロボットやタスクに対して,タスク完了時間が大幅に短縮されることを実証する。
論文 参考訳(メタデータ) (2024-09-23T15:09:45Z) - Mobile ALOHA: Learning Bimanual Mobile Manipulation with Low-Cost
Whole-Body Teleoperation [59.21899709023333]
本研究では,バイマン的かつ全身制御を必要とするモバイル操作タスクを模倣するシステムを開発した。
Mobile ALOHAは、データ収集のための低コストで全身的な遠隔操作システムである。
共同トレーニングは成功率を最大90%向上させ、モバイルALOHAが自律的に複雑なモバイル操作タスクを完了できるようにする。
論文 参考訳(メタデータ) (2024-01-04T07:55:53Z)
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。