日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

データ生成arXiv:2609.06279

IM-ENGINE: 具現化データ生成のための画像編集

IM-ENGINE: Image Editing for Embodied Data Generation

シェア:XThreadsFacebookLINEはてブBluesky

画像編集を中間表現として用い、シミュレータで物理検証されたロボット実行可能なデータを生成するパイプラインを提案。器用な把持合成とゴール状態生成に応用し、意味的に意味があり物理的に実行可能な教師データをスケーラブルに生成する。

詳しい要約

1. どんなもの?

IM-ENGINEは、画像編集を中間表現として用いる、シミュレータに基づくデータ生成パイプラインである。既知の幾何・深度・セグメンテーション・カメラパラメータを持つレンダリングシーンに対して、タスク関連の意味を注入する画像編集を行い、シミュレータの事前知識と不変のアンカー物体を用いて明示的な3D状態を復元し、物理シミュレーションで状態を洗練し、ロボット実行可能な教師信号に変換する。器用な把握合成とゴール状態生成の2つのタスクに適用される。

2. 先行研究と比べてどこがすごい?

従来のデータパイプラインは、人間のデモンストレーション(意味的に豊かだがコスト高で身体性ギャップがある)か、シミュレーション(スケール可能だが機能的振る舞いが過小指定)のどちらか一方しか提供しなかった。IM-ENGINEは、生成的な意味事前知識とシミュレータ接地を組み合わせることで、意味的に意味があり物理的に実行可能な教師信号をスケール可能に生成する点が新しい。

3. 技術・手法の肝は?

手法の核は、画像編集を介してタスク関連の意味を注入し、シミュレータの事前知識とアンカー物体を使って3D状態を復元し、物理シミュレーションで洗練すること。把握合成では、画像空間で人間の把握を生成し、手と物体の相互作用を復元し、ロボットハンドにリターゲットし、物理的に検証されたロボット把握に洗練する。ゴール生成では、レンダリングシーンを所望の結果に編集し、対象物体のポーズを復元し、物理的に有効で意味的に意味のあるゴールと軌道を生成する。

4. どうやって有効だと検証した?

要旨からは具体的な検証方法は不明。ただし、把握合成とゴール状態生成の2つのタスクでパイプラインを実装し、物理的に検証されたロボット把握や物理的に有効なゴールと軌道を生成できることを示している。

5. 議論はある?

要旨からは議論は不明。ただし、画像編集による意味注入とシミュレータ接地の組み合わせが、スケール可能なタスク関連の教師信号を提供する一方で、編集の品質や物理的洗練の限界、実ロボットへの転移可能性などが課題となる可能性が考えられるが、要旨には明記されていない。

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、人間のデモンストレーションからの学習(Learning from Demonstration)、シミュレーションからのデータ生成(Sim-to-Real Transfer)、画像編集モデル(Diffusion Models for Image Editing)、把握合成(Grasp Synthesis)に関する論文が挙げられる。

※ 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: Yian Wang, Junyi Cao, Xiaowen Qiu, Chuang Gan

分類: cs.RO, cs.CV

原文アブストラクト

Learning-based manipulation requires supervision that is both semantically meaningful and physically executable, but current data pipelines often provide only one of these properties. Human demonstrations capture intent but are costly to collect and constrained by the human-robot embodiment gap, while simulation can scale data generation but often under-specifies functional behavior. We present IM-ENGINE, a simulator-grounded pipeline that uses image editing as an intermediate representation for embodied data generation. Given a rendered scene with known geometry, depth, segmentation, and camera parameters, IM-ENGINE edits the image to inject task-relevant semantics, recovers explicit 3D state using simulator priors and an unchanged anchor object, refines the state in physics, and converts it into robot-executable supervision. We instantiate the pipeline for dexterous grasp synthesis and goal-state generation. For grasping, IM-ENGINE generates a human grasp in image space, recovers the hand-object interaction, retargets it to a robot hand, and refines it into physically validated robot grasps. For goal generation, it edits a rendered scene into a desired outcome, recovers the target-object pose, and refines it into physically valid, semantically meaningful goals and trajectories. This combination of generative semantic priors and simulator grounding enables scalable task-relevant supervision for robot learning.

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