論文の概要: Ropedia Xperience 2: A Gold Standard for Scaling Physical AI Environments and Behaviors
- arxiv url: http://arxiv.org/abs/2611.17060v1
- Date: Thu, 12 Nov 2026 16:37:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.554066
- Title: Ropedia Xperience 2: A Gold Standard for Scaling Physical AI Environments and Behaviors
- Title(参考訳): Ropedia Xperience 2: 物理AI環境と行動のスケーリングのためのゴールドスタンダード
- Abstract要約: R Xperience 2は、1,589個のメトリクススケールの3Dスキャンと、74のタスクからなる4,230個のエゴセントリックな記録からなる。
それぞれのキャプチャーをロボット学習に再利用できることが示される。
本稿では,物理AIデータ収集のゴールドスタンダードとして,環境と行動の同時キャプチャを提案する。
- 参考スコア(独自算出の注目度): 64.5156884740465
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large foundation models such as GPT-6 Astra and Claude Fable 5.1 have recently been shown to control robots directly from visual observations. They nevertheless remain brittle on long-horizon, contact-rich tasks in real-world environments. Further progress depends on two complementary resources: demonstrations of human behavior that supervise how tasks are performed, and interactive environments in which policies can be rolled out, evaluated, and improved in closed loop. Language models have advanced along well-characterized scaling laws; the corresponding question for physical AI is how capability scales with environments and behaviors, which first requires identifying which data to scale and how to produce and reuse such data continuously. To address this question, we introduce Ropedia Xperience 2, comprising 1,589 released metric-scale 3D scans and a collection of 4,230 egocentric recordings of 74 tasks (131 hours). We further show that each capture can be repurposed for robot learning: scenes are converted into physically interactive simulation environments, human motion is retargeted to whole-body robot trajectories, and additional robot behaviors are obtained through virtual teleoperation and automated long-horizon trajectory generation. We propose this joint capture of environments and behaviors as a gold standard for physical AI data collection, laying a data foundation for establishing scaling laws over environments and behaviors.
- Abstract(参考訳): GPT-6 Astra や Claude Fable 5.1 のような大型の基盤モデルは、視覚的な観察からロボットを直接制御できることが最近示されている。
それにもかかわらず、それらは現実世界の環境において、長い水平でコンタクトに富んだタスクに対して脆弱なままである。
さらなる進展は、タスクの実行方法を監視する人間の行動の実証と、ポリシーをロールアウトし、評価し、クローズドループで改善するインタラクティブ環境の2つの相補的なリソースに依存する。
物理的なAIに対する対応する疑問は、どのように環境や振る舞いにスケールするかである。
この問題に対処するために,1,589個のメトリクススケール3Dスキャンと74タスク(131時間)の4,230個のエゴセントリックな記録からなるRopedia Xperience 2を紹介した。
シーンを物理的にインタラクティブなシミュレーション環境に変換し、人間の動きを全身のロボット軌道に再ターゲティングし、仮想遠隔操作と自動ロングホライゾン軌道生成によって追加のロボット動作を得る。
我々は,環境と行動のスケーリング法則を確立するためのデータ基盤を構築し,物理的AIデータ収集のゴールドスタンダードとして,環境と行動の同時キャプチャを提案する。
関連論文リスト
- DeltaWorld: Physically Consistent Interactive World Simulators via Action-Conditioned Latent Increment Learning [7.635121136562937]
インタラクティブな世界シミュレータは、ロボット計画、ポリシートレーニング、行動結果の予測による評価のためのスケーラブルな環境を提供することができる。
既存の世界モデルは一般的に次の潜伏状態全体を予測し、ロボットのアクションによって引き起こされる微妙な変化を捉えるのに失敗する。
ロボット操作のための物理的に一貫した対話型世界シミュレータであるDeltaWorldを提案する。
論文 参考訳(メタデータ) (2026-10-02T02:14:47Z) - RGB-D Video Generation for Improving Human-to-Robot Object Handover Prediction [51.76737991200891]
H2R(Human-to-robot)オブジェクトハンドオーバは、人間とロボットのコラボレーションの基本的な能力である。
本稿では,RGB-DビデオデータセットであるHand2Botを紹介する。
ハンドオブジェクトの一貫性を確保しつつ,現実的なハンドオーバシーケンスを合成する生成パイプラインであるPassGenを提案する。
論文 参考訳(メタデータ) (2026-08-13T09:55:59Z) - JoyAI-RA 0.5: Scaling Robot Manipulation Learning via Dual Action Alignment [0.0]
本研究では,物理世界力学と視覚的意味論を結びつけるフレームワークであるJoyAI-RA 0.5を提案する。
インシシットアクションアライメントは、視覚的な遷移から潜在アクションを推論し、アクションフリーな人間、シミュレーション、ロボットデータを可能にする。
JoyAI-RAは、実際のAgiBotベンチマークで見られるタスクと見えないバリエーションの両方に強く依存する。
論文 参考訳(メタデータ) (2026-08-06T07:14:55Z) - GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。
GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。
我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。
GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
論文 参考訳(メタデータ) (2026-06-03T17:57:45Z) - EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents [85.77432303199176]
EmbodMocapは2つの動くiPhoneを使ったポータブルで安価なデータ収集パイプラインである。
私たちのキーとなるアイデアは、二重RGB-Dシーケンスを共同で校正し、人間とシーンの両方を再構築することです。
収集したデータに基づいて、我々は3つの具体的AIタスクを強化した: モノクラーヒューマン・シーン・リコンストラクション(モノクラーヒューマン・シーン・リコンストラクション)、メトリックスケールで世界空間に整合した人間とシーンを出力するフィードフォワードモデル、物理ベースのキャラクターアニメーション。
論文 参考訳(メタデータ) (2026-02-26T16:53:41Z) - EgoHumanoid: Unlocking In-the-Wild Loco-Manipulation with Robot-Free Egocentric Demonstration [67.13034606664333]
EgoHumanoidは、エゴセントリックな人間のデモを使って視覚言語アクションポリシーを共同訓練する最初のフレームワークである。
スケーラブルな人的データ収集のためのポータブルシステムを開発した。
論文 参考訳(メタデータ) (2026-02-10T18:59:03Z) - Robotic Visual Instruction [10.110333805611974]
ロボット視覚指導(RoVI)を導入し,ロボット作業の指導を行う。
RoVIは時空間情報を人間の解釈可能な視覚命令にエンコードする。
ロボットがRoVIをよりよく理解できるように、視覚インストラクション・エンボダイド(VIEW)を提案する。
論文 参考訳(メタデータ) (2025-05-01T17:55:05Z) - ProcTHOR: Large-Scale Embodied AI Using Procedural Generation [55.485985317538194]
ProcTHORは、Embodied AI環境の手続き的生成のためのフレームワークである。
ナビゲーション、アレンジメント、アーム操作のための6つの具体化されたAIベンチマークに対して、最先端の結果を実証する。
論文 参考訳(メタデータ) (2022-06-14T17:09:35Z)
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。