安全性/シミュレーション2026/6/1arXiv:2606.31993

OopsieVerse: 損傷認識シミュレーションによるロボット操作の安全性ベンチマーク

OopsieVerse: A Safety Benchmark with Damage-Aware Simulation for Robot Manipulation

家庭用ロボットの物理的安全性を評価するため、接触力や温度変化などの損傷を検出・定量化する統一シミュレーションフレームワークとベンチマークを提案した。

詳しい要約

1. どんなもの？

- 家庭用ロボットの操作における物理的安全を評価するための、damage-awareなシミュレーションフレームワーク兼ベンチマーク。 - タスク成功だけでなく、ロボット自身や周囲への損傷を明示的・物理的・タスク非依存の信号として扱う。 - 構成要素は、損傷を検出・定量化するシミュレータ非依存フレームワークDAMAGESIMと、一般的な損傷モードを評価する家庭タスク群。 - コードと情報は https://robin-lab.cs.utexas.edu/oopsieverse/ で公開。

2. 先行研究と比べてどこがすごい？

- 既存シミュレータは損傷を検出・定量化・表現する一般的機構を欠いていた。 - OOPSIEVERSEは損傷を明示的・物理的根拠あり・タスク非依存の信号として提供する点が新しい。 - 接触力・温度変化・液体相互作用などを機械的・熱的・流体的損傷に変換する。 - タスク完了と安全な実行を区別して評価できる。

3. 技術・手法の肝は？

- DAMAGESIMにより、ナビゲーションとマニピュレーション中の損傷を検出・定量化する。 - 接触力・温度変化・液体相互作用などの源を、mechanical/thermal/fluid damageへ変換する。 - シミュレータ非依存の設計で、異なる物理バックエンドに実装可能。 - 家庭タスク群により一般的な損傷モードを評価する。

4. どうやって有効だと検証した？

- DAMAGESIMを異なる物理バックエンドを持つ2つのシミュレータ、OmniGibson (Nvidia Omniverse) と RoboCasa (MuJoCo) に実装し、汎用性を示した。 - 複数のユースケースで有用性を実証。 - リアルタイム損傷フィードバックによる安全なデモ収集の誘導。 - damage-conditioned imitation learningとreinforcement learningによる安全な操作ポリシーの学習。 - 最先端Vision Language Actionポリシーの安全性ベンチマーク。 - sim-to-real転移ポリシーの実世界安全性の改善。

5. 議論はある？

- 要旨からは不明。 - ただし、オープンソース基盤として体系的可拡張な安全ロボット操作研究の可能性を強調している。

6. 次に読むべき論文は？

- OmniGibson (Nvidia Omniverse) - RoboCasa (MuJoCo) - Vision Language Action policies - damage-conditioned imitation learning - reinforcement learning - sim-to-real transfer

※ 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: Arnav Balaji, Arpit Bahety, Sriniket Ambatipudi, Daniel Lam, Junhong Xu, Roberto Martín-Martín

分類: cs.RO

原文アブストラクト

While robotic manipulation capabilities have advanced rapidly, physical safety remains a major barrier to deploying household robots: task success is insufficient if the robot damages itself or its surroundings. Simulation offers a harm-free alternative to costly and dangerous real-world training and evaluation, yet existing simulators lack general mechanisms to detect, quantify, and represent damage. To address this gap, we introduce OOPSIEVERSE, a unified simulation framework and benchmark for damage-aware household manipulation. OOPSIEVERSE provides damage as an explicit, physically-grounded, and taskagnostic signal by converting sources such as contact forces, temperature changes, and liquid interactions into corresponding mechanical, thermal or fluid damage. OOPSIEVERSE comprises two core elements: (1) DAMAGESIM, a simulator-agnostic framework for detecting and quantifying damage during navigation and manipulation, and (2) a suite of household tasks designed to evaluate common damage modes and distinguish between task completion and safe execution. We demonstrate the generality of our framework by instantiating DAMAGESIM in two simulators with different physics backends, OmniGibson (Nvidia Omniverse) and RoboCasa (MuJoCo). We further showcase the utility of OOPSIEVERSE across multiple use cases, including (1) guiding safer demonstration collection via real-time damage feedback, (2) learning safer manipulation policies through damage-conditioned imitation learning and reinforcement learning, (3) benchmarking the safety of state-of-the-art Vision Language Action policies, and (4) improving real-world safety of sim-to-real transferred policies. Together, our results highlight the potential of OOPSIEVERSE as an open-source foundation for systematic, scalable research on safe robot manipulation. For code and more information, please refer to https://robin-lab.cs.utexas.edu/oopsieverse/

arXivで原文を読む →arXiv概要ページ

← 論文一覧