日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

VLAarXiv:2512.02729

RoboWheel: 実世界の人間デモンストレーションから異形態ロボット学習用データを生成するデータエンジン

RoboWheel: A Data Engine from Real-World Human Demonstrations for Cross-Embodiment Robotic Learning

シェア:XThreadsFacebookLINEはてブBluesky

人間の手と物体のインタラクション動画から、接触を考慮した軌道を再構成し、多様なロボット形態へ再ターゲティングして学習データを生成するデータエンジンを提案。VLAや模倣学習でテレオペ並みの性能を実証。

詳しい要約

1. どんなもの?

- 人間の手と物体の相互作用(HOI)動画を、異なる形態のロボット学習用の教師信号に変換するデータエンジン「RoboWheel」を提案。 - 単眼RGBまたはRGB-D入力から高精度なHOI再構成を行い、強化学習(RL)最適化で接触・貫入制約を満たす物理的に妥当な手と物体の相対姿勢を生成。 - 再構成された接触豊富な軌道を、ロボットアーム、器用なハンド、ヒューマノイドなど異なる身体性にリターゲットし、実行可能な行動とロールアウトを生成。 - Isaac Sim上でドメインランダム化を施したシミュレーション拡張フレームワークを構築し、軌道と観測の分布を拡大。 - ビデオから再構成、リターゲット、拡張、データ取得までのエンドツーエンドパイプラインを形成。

2. 先行研究と比べてどこがすごい?

- 従来のロボット学習はテレオペレーションに依存することが多かったが、RoboWheelは単眼RGB(D)カメラのみでHOI動画から学習データを生成でき、軽量で身体性に依存しない運動表現を抽出可能。 - テレオペレーションと比較して、生成された軌道は同等に安定で、継続的な性能向上が得られることを実証。 - HOIモダリティがロボット学習の効果的な教師信号となり得ることを初めて定量的に示した。 - 異なる形態へのリターゲットが柔軟に可能で、大規模マルチモーダルデータセットの構築も行う。

3. 技術・手法の肝は?

- 単眼RGB/RGB-Dからの高精度HOI再構成。 - 強化学習(RL)オプティマイザにより、接触と貫入制約の下で手と物体の相対姿勢を洗練。 - 再構成された軌道を異なる身体性(ロボットアーム、器用なハンド、ヒューマノイド)にリターゲットし、実行可能な行動を生成。 - Isaac Sim上で、身体性、軌道、物体検索、背景テクスチャ、手の動きミラーリングなどの多様なドメインランダム化を施し、空間関係と物理的妥当性を保ちつつデータを拡張。 - ビデオ入力から再構成、リターゲット、拡張、データ取得までのエンドツーエンドパイプライン。

4. どうやって有効だと検証した?

- 主流のVision-Language-Action(VLA)および模倣学習アーキテクチャ上でデータを検証。 - パイプラインが生成した軌道がテレオペレーションのものと同等に安定であり、継続的な性能向上が得られることを示した。 - HOIモダリティがロボット学習の教師信号として有効であることを定量的に実証。 - 大規模マルチモーダルデータセット(マルチカメラ撮影、単眼動画、公開HOIコーパスを組み合わせ)を構築し、 embodiedモデルの訓練と評価に使用。

5. 議論はある?

- 要旨からは、手法の限界や失敗事例、計算コスト、リアルタイム性、一般化可能性に関する議論は明示されていない。 - テレオペレーションとの比較やHOIの有効性は示されているが、他の教師あり手法との比較や、異なるタスクへの適用範囲については言及がない。 - 議論の詳細は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究:テレオペレーション、Vision-Language-Action(VLA)モデル、模倣学習アーキテクチャ、Isaac Sim。 - 関連手法:HOI再構成、強化学習(RL)最適化、ドメインランダム化、クロスエンボディメントリターゲティング。 - 同分野の定番:模倣学習(Behavior Cloning, DAggerなど)、ロボット学習のためのデータ拡張、シミュレーションから実機への転移(Sim-to-Real)。

※ 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: Yuhong Zhang, Zihan Gao, Shengpeng Li, Ling-Hao Chen, Kaisheng Liu, Runqing Cheng, Xiao Lin, Junjia Liu, Zhuoheng Li, Jingyi Feng, Ziyan He, Jintian Lin, Zheyan Huang, Zhifang Liu, Haoqian Wang

分類: cs.RO

原文アブストラクト

We introduce Robowheel, a data engine that converts human hand object interaction (HOI) videos into training-ready supervision for cross morphology robotic learning. From monocular RGB or RGB-D inputs, we perform high precision HOI reconstruction and enforce physical plausibility via a reinforcement learning (RL) optimizer that refines hand object relative poses under contact and penetration constraints. The reconstructed, contact rich trajectories are then retargeted to cross-embodiments, robot arms with simple end effectors, dexterous hands, and humanoids, yielding executable actions and rollouts. To scale coverage, we build a simulation-augmented framework on Isaac Sim with diverse domain randomization (embodiments, trajectories, object retrieval, background textures, hand motion mirroring), which enriches the distributions of trajectories and observations while preserving spatial relationships and physical plausibility. The entire data pipeline forms an end to end pipeline from video,reconstruction,retargeting,augmentation data acquisition. We validate the data on mainstream vision language action (VLA) and imitation learning architectures, demonstrating that trajectories produced by our pipeline are as stable as those from teleoperation and yield comparable continual performance gains. To our knowledge, this provides the first quantitative evidence that HOI modalities can serve as effective supervision for robotic learning. Compared with teleoperation, Robowheel is lightweight, a single monocular RGB(D) camera is sufficient to extract a universal, embodiment agnostic motion representation that could be flexibly retargeted across embodiments. We further assemble a large scale multimodal dataset combining multi-camera captures, monocular videos, and public HOI corpora for training and evaluating embodied models.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI