日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

評価ベンチマークarXiv:2607.24481

ArmnetBench v0.1: 低コストアーム群での並列実世界評価による操作ポリシーのベンチマーク

ArmnetBench v0.1: Parallel Real-World Evaluation of Manipulation Policies on a Low-Cost Arm Farm

シェア:XThreadsFacebookLINEはてブBluesky

低コストなロボットアーム群を用いて、複数の操作ポリシーを実世界で並列評価するベンチマークを構築し、7つのポリシーを12タスクで比較した。

詳しい要約

1. どんなもの?

ArmnetBench v0.1は、低コストのSO-101セル群(arm farm)上で、軽い現場監督の下で実行されるロボット操作ポリシーの並列実世界評価ベンチマークである。単腕および双腕構成の12タスクで7つのポリシーを比較し、各ポリシーはタスクごとに50デモンストレーションで訓練または微調整される。ベンチマークには2,518回のポリシーロールアウトと600の参照デモンストレーションが含まれ、全3,118エピソードに成功・準最適・失敗の3値ラベルが付与される。ポリシーロールアウトは人間がスコアリングし、デモンストレーションは構築上成功とみなされる。データはLeRobot v3.0およびRoboMeter形式で公開される。

2. 先行研究と比べてどこがすごい?

実世界評価はロボット操作ポリシー開発のボトルネックであり、従来は各ロールアウトに物理ハードウェアとオペレーターによるセットアップ、リセット、スコアリングが必要だった。ArmnetBenchは低コストのarm farmを導入し、軽い現場監督のみで並列評価を可能にすることで、評価のスケーラビリティと効率を大幅に向上させている。また、品質ラベル付きの軌道を提供し、報酬学習や混合品質データでのポリシー訓練など下流学習を支援する点が新しい。

3. 技術・手法の肝は?

手法の肝は、低コストのSO-101セルを多数並列運用するarm farmの設計と、軽い現場監督の下で評価を実行するプロトコルにある。各タスクで50デモンストレーションを用いて7つのポリシーを訓練または微調整し、統一された予算で比較する。エピソードには3値ラベル(成功・準最適・失敗)を付与し、ポリシーロールアウトは人間がスコアリングする。データ形式はLeRobot v3.0とRoboMeterを採用し、再現性と相互運用性を確保している。

4. どうやって有効だと検証した?

有効性は、arm farmをエンドツーエンドで検証し、12タスク(単腕・双腕構成)で7つのポリシーを比較することで示した。ベンチマークには2,518のポリシーロールアウトと600の参照デモンストレーションが含まれ、全3,118エピソードに品質ラベルが付与されている。リーダーボードにより、共有予算下での初期比較を提供する。

5. 議論はある?

要旨からは、人間によるスコアリングの主観性や、低コストハードウェアの多様性が評価結果に与える影響、また50デモンストレーションという限られたデータ量でのポリシー性能の一般性などについての議論は明示されていない。さらに、軽い現場監督の定義や、監督の質が結果に及ぼす影響も不明である。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、同分野の定番として、ロボット操作ポリシーの実世界評価に関する研究(例えば、Bridge DataやRoboMeter、LeRobotなど)が挙げられる。また、混合品質データを利用した学習や報酬モデル、予測ワールドモデルに関する論文が関連する。

※ 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: Praveen Selvaraj, Lorenzo Uttini, Ville Kuosmanen

分類: cs.RO

原文アブストラクト

Real-world evaluation is a bottleneck in developing generalist robot manipulation policies. Each rollout requires physical hardware and an operator to set up, reset, and score it. We introduce ArmnetBench v0.1, a benchmark run on a fleet of low-cost SO-101 cells under light on-site supervision. v0.1 validates this arm farm end to end and compares 7 policies across 12 tasks with both single-arm and bimanual configurations. Each policy is trained or fine-tuned on 50 demonstrations per task; the benchmark contains 2,518 policy rollouts and 600 reference demonstrations. All 3,118 episodes carry a three-way label (successful, suboptimal, or failure). Policy rollouts are human-scored, while demonstrations are successful by construction. Beyond evaluation, its quality-labelled trajectories support downstream learning, from reward and predictive world models to policies trained on mixed-quality data. The leaderboard is an initial comparison under this shared budget. We release the 3,118 core episodes in LeRobot v3.0 and RoboMeter formats.

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