日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

移動操作arXiv:2609.38172

反実仮想動画生成によるスケーラブルなヒューマノイドの移動操作

Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation

シェア:XThreadsFacebookLINEはてブBluesky

少数の実動画から反実仮想の人間-物体インタラクション動画を大量生成し、実→シミュ→実のパイプラインで物理的に妥当な軌道に変換して、多様な物体の運搬を実機で実現する方策を学習した。

詳しい要約

1. どんなもの?

- 本論文は、ヒューマノイドのloco-manipulationスキルを視覚模倣で教えるためのフレームワークPRISMを提案する。 - 実世界の少数の動画を増幅し、多様な訓練データを生成するreal-to-sim-to-realアプローチ。 - 具体的には、video-to-video (V2V) 生成により数百のcounterfactualなhuman-object interaction動画を生成。 - その後、contact-anchored real-to-simパイプラインで人間と物体の動きを再構築し、物理的に妥当な軌道にリターゲット。 - このデータで単一のポリシーを訓練し、実ロボットに実世界ファインチューニングなしで展開。 - オンボード深度のみを用いて、箱、バレル、ビン、ボールなどの物体を新しいインスタンス、サイズ、初期配置で持ち上げ、運び、落とすことを実現。

2. 先行研究と比べてどこがすごい?

- 従来の視覚模倣では、多様で高品質なインタラクション動画(全身が明確で物体とのインタラクションが隠れていないクリップ)の収集がスケーリングの障壁であった。 - PRISMは、少数の実動画からcounterfactual動画を生成することでこの制限を克服し、大規模で多様な訓練セットを構築。 - これにより、実世界でのファインチューニングなしで、カテゴリ内の未見物体に汎化する単一ポリシーを訓練可能にした点が先行研究と比べて優れている。 - 具体的な比較対象は要旨からは不明。

3. 技術・手法の肝は?

- 技術の肝は、real-to-sim-to-realフレームワークPRISMにある。 - まず、少数の実例動画からvideo-to-video (V2V) 生成を用いて数百のcounterfactualなhuman-object interaction動画を生成。 - 次に、contact-anchored real-to-simパイプラインで人間と物体の動きを再構築し、不完全なビデオデータを物理的に妥当な軌道にリターゲット。 - このcounterfactual動画間のintra-class variabilityを利用して、単一のポリシーを訓練。 - ポリシーはオンボード深度観測のみを使用。

4. どうやって有効だと検証した?

- 実ロボットにポリシーを展開し、実世界でのファインチューニングなしで評価。 - オンボード深度のみを用いて、箱、バレル、ビン、ボールなどの物体を、新しいインスタンス、サイズ、初期配置で持ち上げ、運び、落とすタスクを実行。 - これにより、パイプライン全体の有効性を実証。

5. 議論はある?

- 要旨からは、議論や限界についての明示的な記述は不明。 - ただし、実世界ファインチューニングなしで汎化性能を示した点が強調されている。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、visual imitation learning、video-to-video generation、real-to-sim-to-real transfer、humanoid loco-manipulationなどが挙げられる。 - 具体的な論文名は要旨からは不明。

※ 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: Zihan Wang, Zhen Wu, Pieter Abbeel, Rocky Duan, Jitendra Malik, Carmelo Sferrazza, C. Karen Liu, Guanya Shi, Angjoo Kanazawa

分類: cs.RO, cs.CV, cs.GR

原文アブストラクト

Teaching humanoids loco-manipulation skills, such as carrying diverse objects, via visual imitation is a promising path toward generalist robots. However, collecting diverse, high-quality interaction videos, such as clips that clearly show a person's full body and unoccluded interactions with objects, poses a practical barrier to scaling this approach. We propose PRISM, a real-to-sim-to-real framework that overcomes this limitation by amplifying a handful of real videos into a large, diverse training set. PRISM first generates hundreds of diverse "counterfactual" human-object interaction videos via video-to-video (V2V) generation from a few exemplar real videos. Our contact-anchored real-to-sim pipeline then reconstructs both human and object motions, retargeting this imperfect video data into physically plausible trajectories. The intra-class variability across these counterfactual videos lets us train a single policy that generalizes to unseen objects within each category. We demonstrate the full pipeline by deploying this policy on a real robot without any real-world fine-tuning. Using only onboard depth observations, our humanoid picks up, carries, and drops objects, including boxes, barrels, bins, and balls, across novel instances, sizes, and initial configurations.

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