日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

sim2realarXiv:2512.18396

AOMGen: 関節物体操作のためのフォトリアルで物理的に整合するデモンストレーション生成

AOMGen: Photoreal, Physics-Consistent Demonstration Generation for Articulated Object Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

1回の実スキャンとデモから、関節物体操作のフォトリアルで物理的に整合する訓練データを大量生成するフレームワークを提案し、VLAポリシーの成功率を0%から88.7%に向上させた。

詳しい要約

1. どんなもの?

- 関節物体(articulated object)操作のためのphotorealかつ物理整合的なデモ生成フレームワーク「AOMGen」 - 単一の実スキャン、実演、既存デジタルアセットライブラリからスケーラブルにデータ生成 - 同期されたmulti-view RGBをaction commandsや関節・接触のstate annotationsと時間整合させて合成 - カメラ視点、物体スタイル、物体poseを系統的に変化させ単一実行を多様なコーパスへ拡張

2. 先行研究と比べてどこがすごい?

- VLAやworld-modelの進展で汎化は向上したが、特に関節物体のfine-grained manipulationには大規模で高コストな実デモ収集が不可欠という課題 - AOMGenは単一の実スキャン・実演・既存デジタルアセットから物理状態が検証されたphotoreal訓練データを生成 - 実データ収集コストを抑えつつ視点・スタイル・poseを系統的に変化させ拡張できる点が特徴 - 具体的な先行研究との定量比較は要旨からは不明

3. 技術・手法の肝は?

- 単一の実スキャンと実演、既存デジタルアセットライブラリを入力にデータ生成をインスタンス化 - 同期されたmulti-view RGBをaction commandsおよび関節・接触のstate annotationsと時間整合させて合成 - カメラ視点、物体スタイル、物体poseを系統的に変化させ単一実行を多様なコーパスへ拡張 - 物理状態の検証(verified physical states)を伴うphotorealデータを生成

4. どうやって有効だと検証した?

- AOMGenデータでVLAポリシーをfine-tuningし成功率が0%から88.7%へ向上 - ポリシーは未見の物体(unseen objects)とレイアウト(unseen layouts)でテスト - 詳細な実験設定や比較対象は要旨からは不明

5. 議論はある?

- 要旨からは不明 - 限界や失敗ケース、sim-to-realギャップ、生成データの物理的忠実性に関する議論は要旨に記載なし

6. 次に読むべき論文は?

- VLA(Vision-Language-Action)関連研究 - world-model関連研究 - articulated object manipulationのデータ生成・デモンストレーション研究 - 要旨で具体的に参照・比較されている個別論文は不明

※ 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: Yulu Wu, Jiujun Cheng, Haowen Wang, Dengyang Suo, Pei Ren, Qichao Mao, Shangce Gao, Yakun Huang

分類: cs.RO

原文アブストラクト

Recent advances in Vision-Language-Action (VLA) and world-model methods have improved generalization in tasks such as robotic manipulation and object interaction. However, Successful execution of such tasks depends on large, costly collections of real demonstrations, especially for fine-grained manipulation of articulated objects. To address this, we present AOMGen, a scalable data generation framework for articulated manipulation which is instantiated from a single real scan, demonstration and a library of readily available digital assets, yielding photoreal training data with verified physical states. The framework synthesizes synchronized multi-view RGB temporally aligned with action commands and state annotations for joints and contacts, and systematically varies camera viewpoints, object styles, and object poses to expand a single execution into a diverse corpus. Experimental results demonstrate that fine-tuning VLA policies on AOMGen data increases the success rate from 0% to 88.7%, and the policies are tested on unseen objects and layouts.

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. 2newmo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
  3. 3GXO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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI