両手操作/データ生成/強化学習2026/6/1arXiv:2606.22471

言語条件付き両手巧緻操作のための強化学習によるスケーラブルなマルチタスクデータ生成

Scalable Multi-Task Data Generation via Reinforcement Learning for Language-Conditioned Bimanual Dexterous Manipulation

両手巧緻操作の汎用ポリシー学習に必要な大規模データを、強化学習と汎用報酬設計・ドメインランダム化・言語注釈を組み合わせたパイプラインでシミュレーション生成し、マルチタスク学習の汎化性能を向上させた。

詳しい要約

1. どんなもの？

- 両手dexterous manipulationの汎用policy学習のための大規模高品質データセット不足を解決する研究。 - RLベースの系統的データ生成pipelineを提案し、言語条件付き多タスクpolicyの訓練を可能にする。 - 生成データは3つの代表的なmanipulationタスクで汎化性能を大幅に改善する。

2. 先行研究と比べてどこがすごい？

- 人間のteleoperationベースの既存手法は、object-centric trajectory matchingがロボット実行のfeasibilityを無視し、タスク多様性が限られる。 - RLベースの手法はスケーラビリティが広いが、handcraftedでタスク固有のrewardに制約されることが多い。 - 本研究はgeneralizable reward design、domain randomization、言語条件付きタスクアノテーションを統合し、これらの制約を克服する。

3. 技術・手法の肝は？

- RLベースのデータ生成pipelineを構築。 - 一般化可能なreward designを採用。 - 効果的なdomain randomizationを適用。 - 言語条件付きタスクアノテーションを統合。 - これらにより多様で高品質な両手dexterous manipulationデータセットを合成。

4. どうやって有効だと検証した？

- 3つの代表的なmanipulationタスクで実験を実施。 - 生成データが言語条件付き多タスクpolicyの汎化性能を大幅に改善することを示した。 - 具体的な評価指標やベースラインとの比較詳細は要旨からは不明。

5. 議論はある？

- 要旨からは不明。 - 限界や今後の課題についての議論は要旨に記載されていない。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究：human teleoperationベースのデータ生成、object-centric trajectory matching、RLベースのデータ生成（handcrafted reward）。 - 関連手法：domain randomization、language-conditioned multi-task policies。 - 同分野の定番：dexterous manipulationのためのsim-to-real転移や大規模データセット構築に関する研究。

※ 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: Zechu Li, Yufeng Jin, Puze Liu, Jan Peters, Georgia Chalvatzaki

分類: cs.RO

原文アブストラクト

A key bottleneck in training generalist policies for bimanual dexterous manipulation is the lack of large-scale, high-quality datasets. Synthetic data generation in simulation provides a scalable alternative to human video demonstrations by overcoming challenges such as morphology mismatch, missing physical interactions, and the generation of robot actions. However, existing approaches based on human teleoperation offer limited task diversity, as object-centric trajectory matching often neglects the feasibility of robot execution. Reinforcement learning (RL) enables broader scalability but is often constrained by handcrafted, task-specific rewards. In this work, we propose a systematic RL-based data generation pipeline that integrates generalizable reward design, effective domain randomization, and language-conditioned task annotations. This pipeline synthesizes diverse, high-quality datasets for dexterous bimanual manipulation and enables training of language-conditioned multi-task policies. Our experiments show that the generated data significantly improves generalization across three representative manipulation tasks.

arXivで原文を読む →arXiv概要ページ

← 論文一覧