日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習arXiv:2511.16223

DynaMimicGen: 動的タスクのロボット学習のためのデータ生成フレームワーク

DynaMimicGen: A Data Generation Framework for Robot Learning of Dynamic Tasks

シェア:XThreadsFacebookLINEはてブBluesky

少数の人間デモンストレーションから動的環境に適応するロボット操作データを生成するフレームワークを提案し、長期的・接触の多いタスクでの有効性を示した。

詳しい要約

1. どんなもの?

- ロボット学習向けのデータ生成フレームワーク DynaMimicGen (D-MG) を提案 - 少数の人間によるデモンストレーションから、動的タスク設定を含む大規模データセットを生成 - 生成データで imitation learning を行い、長期的・接触の多いタスクの policy を学習 - cube stacking や mugs in drawers などのベンチマークを対象

2. 先行研究と比べてどこがすごい?

- 従来手法は静的な仮定や単純な軌道補間 (trajectory interpolation) に依存していた - D-MG は動的環境設定を扱える点が新しい - 物体姿勢・ロボット状態・シーン形状の変化にリアルタイムで適応する軌道を生成 - 少数の人間デモのみで、シーン配置・物体インスタンス・ロボット構成の違いに対応 - 人手による大規模データ収集の代替を目指す

3. 技術・手法の肝は?

- 入力: 少数の人間デモンストレーション - まずデモを意味のある sub-task に分割 (segmentation) - Dynamic Movement Primitives (DMPs) を用いて、実演された挙動を新しい動的環境へ適応・汎化 - 実行中の物体姿勢・ロボット状態・シーン形状の変化に応じて Cartesian 軌道をリアルタイム生成 - 滑らかで現実的かつタスク整合的な軌道を生成する点が肝

4. どうやって有効だと検証した?

- D-MG 生成データで imitation learning したロボットエージェントを評価 - 長期的 (long-horizon) かつ接触の多い (contact-rich) ベンチマークで強い性能を報告 - 具体例として cube stacking と placing mugs in drawers を挙げる - 予測不能な環境変化の下でも性能を確認したと述べる - 詳細な実験設定・比較対象は要旨からは不明

5. 議論はある?

- 人手による大規模デモ収集が不要になり、スケーラブルな自律ロボット学習への道を開くと主張 - 動的設定での汎化を可能にする点を利点として強調 - 限界・失敗事例・計算コストなどの詳細な議論は要旨からは不明 - 定量的な性能比較や ablation の有無は要旨からは不明

6. 次に読むべき論文は?

- Dynamic Movement Primitives (DMPs) の原論文・関連研究 - MimicGen (D-MG が改善を主張する先行のデータ生成手法) - imitation learning の代表的手法 (behavior cloning など) - 長期的・接触の多い操作タスクのベンチマークに関する研究 - 軌道生成・軌道補間 (trajectory interpolation) の関連手法

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Vincenzo Pomponi, Paolo Franceschi, Stefano Baraldo, Loris Roveda, Oliver Avram, Luca Maria Gambardella, Anna Valente

分類: cs.RO

原文アブストラクト

Learning robust manipulation policies typically requires large and diverse datasets, the collection of which is time-consuming, labor-intensive, and often impractical for dynamic environments. In this work, we introduce DynaMimicGen (D-MG), a scalable dataset generation framework that enables policy training from minimal human supervision while uniquely supporting dynamic task settings. Given only a few human demonstrations, D-MG first segments the demonstrations into meaningful sub-tasks, then leverages Dynamic Movement Primitives (DMPs) to adapt and generalize the demonstrated behaviors to novel and dynamically changing environments. Improving prior methods that rely on static assumptions or simplistic trajectory interpolation, D-MG produces smooth, realistic, and task-consistent Cartesian trajectories that adapt in real time to changes in object poses, robot states, or scene geometry during task execution. Our method supports different scenarios - including scene layouts, object instances, and robot configurations - making it suitable for both static and highly dynamic manipulation tasks. We show that robot agents trained via imitation learning on D-MG-generated data achieve strong performance across long-horizon and contact-rich benchmarks, including tasks like cube stacking and placing mugs in drawers, even under unpredictable environment changes. By eliminating the need for extensive human demonstrations and enabling generalization in dynamic settings, D-MG offers a powerful and efficient alternative to manual data collection, paving the way toward scalable, autonomous robot learning.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI