日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

操作学習arXiv:2607.25895

HiFi-UMI: 高忠実度UMIデータのみから展開可能な操作ポリシーを学習する

HiFi-UMI: Learning Deployable Manipulation Policies from High-Fidelity UMI Data Alone

シェア:XThreadsFacebookLINEはてブBluesky

ロボットフリーのUMIデータ収集システムの忠実度を高めることで、実ロボットデータを使わずに直接展開可能な操作ポリシーを学習できることを示した論文。

詳しい要約

1. どんなもの?

HiFi-UMIは、ロボットを使わずに高忠実度の操作データを収集するための携帯型システムと、そのデータのみを用いて実ロボットに展開可能なポリシーを学習する手法を提案する。従来のUMIデータは主に事前学習に使われ、実ロボットのデータで微調整が必要だったが、HiFi-UMIはデータの忠実度を高めることで、実ロボットデータなしで展開可能なポリシーを学習できることを示す。システムは、ヘッドマウントのオフラインstereo-inertial SLAM、ネイティブな相対ポーズ、マイクロ秒同期のGPIOトリガー、手ごとに約200度の視野を持つ2つの広角カメラを備え、外部トラッキングなしで3mmのエンドエフェクタ精度を達成する。

2. 先行研究と比べてどこがすごい?

従来のUMIデータはロボットフリーで収集できるが、精度が低く、実ロボットへの展開には少量の実ロボットデータによるポストトレーニング(アンカー)が必要だった。HiFi-UMIは、データ収集システムの忠実度を向上させることで、このアンカーを不要にし、実ロボットデータなしでポリシーを展開可能にした点が画期的。また、大規模なデータセット(2,000時間)を提供し、事前学習とポストトレーニングの両方で有効性を示している。

3. 技術・手法の肝は?

手法の肝は、データ収集システムの設計にある。具体的には、(1) ヘッドマウントのオフラインstereo-inertial SLAMによる軌道精度の向上、(2) 再構成ではなくネイティブなinter-gripper relative poseの使用、(3) マイクロ秒同期のGPIOトリガーによる同期、(4) 手ごとに2つの広角カメラで約200度の視野を確保。これにより、外部トラッキングなしで3mmの精度を達成。さらに、収集したデータはシミュレーションリプレイで自動検証され、高品質なデータセットHiFi-UMI-2Kを構築。

4. どうやって有効だと検証した?

有効性は、3つのバックボーン(StarVLA-QwenPI、OpenPI-pi_0.5、LingBot-VA)を用いて、HiFi-UMIデータのみでポストトレーニングしたポリシーが、実ロボットで直接展開でき、テレオペレーションベースラインと同等の成功率(差は-2.5、+3.1、-0.6パーセントポイント)を達成することで検証。さらに、精密挿入タスクで85%の成功率を達成。また、4,000時間のデータでの事前学習により、10の未見タスクでアクションエラーを41%削減し、StarVLA-QwenPIでは実ロボット成功率をさらに18.1パーセントポイント向上させた。

5. 議論はある?

要旨からは、議論の余地として、データ収集システムの携帯性やコスト、他のロボットプラットフォームへの一般化、データセットの多様性などが考えられるが、具体的な議論は要旨には記載されていない。また、テレオペレーションベースラインが評価シーンで収集されているのに対し、HiFi-UMIデータは評価シーン外である点は、データの一般化を示すが、逆にシーン特異性の影響が不明。

6. 次に読むべき論文は?

要旨で参照されている関連研究として、UMI (Universal Manipulation Interface) や、vision-language-actionモデル(StarVLA、OpenPI、LingBot)が挙げられる。次に読むべき論文としては、UMIの元論文や、これらのバックボーンの詳細を扱った論文が適切。

※ 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: Simple AI, :, Yuteng Wei, Jinming Ma, Jiawei Wang, Weitao Zhou, Yushen Zuo, Ke Rui, Minglei Li, Jinhao Zhang, Zhikang Pan, Xiang Wang, Haoran Jia, Huan Du, Zicheng Zeng, Jun Ma, Guiyu Qin, Di Zhang, Xiaofei Li

分類: cs.RO, cs.CV, cs.LG

原文アブストラクト

Learning deployable manipulation policies is bottlenecked by the scarcity of data that is both high-fidelity and scalable. Real-robot teleoperation is accurate but costly to scale; robot-free UMI capture scales readily, and current practice uses the resulting data mainly for pre-training, adding a small real-robot "anchor" at post-training. We ask whether raising the fidelity of robot-free UMI data, rather than shrinking the real-robot fraction, can remove that anchor. We present HiFi-UMI, a portable UMI data-production system co-designed for trajectory accuracy, inter-gripper relative pose, synchronization, and field of view: head-mounted offline stereo-inertial SLAM, native rather than reconstructed relative pose, a shared microsecond GPIO trigger, and two wide-angle cameras per hand covering ~200 degrees. It reaches 3 mm workspace-local end-effector accuracy without external tracking infrastructure. Using this corpus, we demonstrate zero-robot post-training: a policy post-trained solely on HiFi-UMI demonstrations deploys directly on a real robot and matches in-domain teleoperation across three backbones spanning the vision-language-action and world-action-model families, with success-rate differences of -2.5, +3.1, and -0.6 percentage points on StarVLA-QwenPI, OpenPI-pi_0.5, and LingBot-VA; the strongest policy reaches 85% on a precision insertion task, even though the teleoperation baseline is collected in the evaluation scene and no HiFi-UMI trajectory is. Pre-training on 4,000 hours from the same corpus lowers action error on ten unseen tasks by 41% and, on StarVLA-QwenPI, raises real-robot success by a further 18.1 percentage points. We open-source HiFi-UMI-2K, 2,000 hours of microsecond-synchronized, ultra-wide-FoV demonstrations, each automatically reconstructed and validated through simulation replay, as a large-scale, high-fidelity resource for the robot-learning community.

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

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