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:2602.07243

大規模で現実的な合成家庭内データの生成

Realistic Synthetic Household Data Generation at Scale

シェア:XThreadsFacebookLINEはてブBluesky

人間のペルソナと家庭環境を緩く連携させて生成し、長期の人間-ロボット相互作用を含む大規模合成データセットを自然言語プロンプトで作成するフレームワークを提案。

詳しい要約

1. どんなもの?

- 家庭内の長期的な人間-ロボット相互作用と環境を大規模に生成する合成データ生成フレームワーク。 - 人間のペルソナが環境生成に影響し、環境の図式と意味論が人間-ロボット相互作用を形成する双方向の影響をモデル化。 - 生成される3Dデータには、物体や環境の意味論などの豊富な静的コンテキストと、長期間にわたる人間とエージェントの行動を捉えた時間的コンテキストが含まれる。 - 自然言語プロンプトでデータセット特性を定義でき、ユーザー定義設定のバリエーションを生成してスケーラブルなデータ生成を可能にする。

2. 先行研究と比べてどこがすごい?

- 先行フレームワークは長期的な人間-ロボット相互作用の合成データを生成するが、人間行動と家庭環境の間の双方向の影響をモデル化できていなかった。 - 提案フレームワークは、人間-ロボット相互作用と環境の緩やかな結合生成により、この双方向の影響を捉える。 - 統計的比較で実世界データセット(HOMER)とコサイン類似度0.60と良好に整合し、既存の合成データセット(Wang et al.)は0.27と中程度の整合に留まる。

3. 技術・手法の肝は?

- 家庭データセットを大規模に生成する生成フレームワーク。 - 長期的な人間-ロボット相互作用と環境を緩やかに結合して生成。 - 人間ペルソナが環境生成に影響を与え、環境の図式と意味論が人間-ロボット相互作用を形成する。 - 自然言語プロンプトでデータセット特性を定義し、環境と人間活動データを自然言語仕様で設定可能。 - ユーザー定義設定のバリエーションを生成し、スケーラブルなデータ生成を実現。

4. どうやって有効だと検証した?

- マルチモーダル埋め込みと主要指標(コサイン類似度、相互情報量利得、介入分析、反復改善検証)を用いた統計的評価で検証。 - 実世界データセット(HOMER)とのコサイン類似度0.60、既存合成データセット(Wang et al.)との類似度0.27を確認。 - 年齢、組織、睡眠パターンの変化に対する介入分析で統計的に有意な効果(p < 0.001)と大きな効果量(Cohen's d = 0.51-1.12)を確認。 - 双方向結合がペルソナ特性を測定可能な環境的・行動的差異に変換することを確認。

5. 議論はある?

- 双方向結合がペルソナ特性を測定可能な環境的・行動的差異に変換することが介入分析で確認された。 - 実世界データセットとの整合性は良好だが、既存合成データセットとの整合性は中程度である。 - 家庭用スマートデバイスの開発とテストを大規模に可能にする貢献が議論されている。 - その他の限界や議論は要旨からは不明。

6. 次に読むべき論文は?

- HOMER(実世界データセット) - Wang et al.(合成データセット) - その他、要旨で参照/比較されている研究は明示されていないため、同分野の定番としてEmbodied AIや人間-ロボット相互作用のデータセット研究が挙げられる。

※ 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: Siddharth Singh, Ifrah Idrees, Abraham Dauhajre

分類: cs.RO, cs.AI, cs.GR

原文アブストラクト

Advancements in foundation models have catalyzed research in Embodied AI to develop interactive agents capable of environmental reasoning and interaction. Developing such agents requires diverse, large-scale datasets. Prior frameworks generate synthetic data for long-term human-robot interactions but fail to model the bidirectional influence between human behavior and household environments. Our proposed generative framework creates household datasets at scale through loosely coupled generation of long-term human-robot interactions and environments. Human personas influence environment generation, while environment schematics and semantics shape human-robot interactions. The generated 3D data includes rich static context such as object and environment semantics, and temporal context capturing human and agent behaviors over extended periods. Our flexible tool allows users to define dataset characteristics via natural language prompts, enabling configuration of environment and human activity data through natural language specifications. The tool creates variations of user-defined configurations, enabling scalable data generation. We validate our framework through statistical evaluation using multi-modal embeddings and key metrics: cosine similarity, mutual information gain, intervention analysis, and iterative improvement validation. Statistical comparisons show good alignment with real-world datasets (HOMER) with cosine similarity (0.60), while synthetic datasets (Wang et al.) show moderate alignment (0.27). Intervention analysis across age, organization, and sleep pattern changes shows statistically significant effects (p < 0.001) with large effect sizes (Cohen's d = 0.51-1.12), confirming bidirectional coupling translates persona traits into measurable environmental and behavioral differences. These contributions enable development and testing of household smart devices at scale.

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