データ基盤2026/9/15arXiv:2609.16705

ロボットデータファクトリー：物理AIのための経験生成基盤

The Robot Data Factory

ロボットの生データではなく物理的経験を継続的に生成・検証・再利用する基盤「Robot Data Factory」を提案し、その階層構造とスケーリング則を定式化した。

詳しい要約

1. どんなもの？

- Physical AI のための継続的なデータ生成・検証・ベンチマーク・再利用の基盤と方法論 - Robot Data Factory (RDF) を提案 - 生の robot data ではなく robot experience を科学資源と位置づけ - 観測・行動・身体性・文脈・結果を含む perception-action-consequence loop を保持 - 異種ロボットと環境別 training grounds を再現可能な mission で組織 - Deploy-Measure-Learn-Repeat の閉ループを実装 - 三つの physical training grounds で実例化

2. 先行研究と比べてどこがすごい？

- 従来は大規模 robot datasets の収集が中心 - RDF は dataset を静的な最終成果物ではなく継続的プロセスとして扱う - robot experience の形式化と品質評価を導入 - mission-task-skill-episode-dataset-benchmark-capability 階層を提案 - 定量的 scaling laws と algorithmic synthesis procedure を導出 - 再現可能・スケーラブル・最終的に federated なインフラへの道筋を示す

3. 技術・手法の肝は？

- 再現可能な mission、skill curricula、同期マルチモーダル sensing、外部 ground truth を統合 - agentic robot network、data pipelines、living benchmarks を活用 - Deploy-Measure-Learn-Repeat サイクルで検証済み物理経験を world models、vision-language-action models、embodied policies、digital twins、後続配備に接続 - robot experience と品質を形式化 - mission-task-skill-episode-dataset-benchmark-capability 階層を導入 - robot fleet size、sensor rates、storage、learning representations、tokenization、training compute、inference、latency を Embodied-AI cluster 要件に結びつける scalin…

4. どうやって有効だと検証した？

- 三つの補完的な physical training grounds でフレームワークを実例化 - 家庭、環境、エネルギー応用を対象 - 具体的な検証結果や評価指標は要旨からは不明

5. 議論はある？

- robot data 生成を継続的な科学的生产プロセスとして再定義 - 再現可能・スケーラブル・federated な Physical AI インフラへの道筋を提示 - 課題や限界、倫理的議論は要旨からは不明

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 - 同分野の定番として robot learning、vision-language-action models、world models、embodied AI、digital twins に関する論文を挙げる

※ 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: Sami Haddadin, Ivan Laptev, Ian Reid, Dezhen Song, Cesare Stefanini, Abdalla Swikir, Xingxing Zuo, Lyes Saad Saoud, Mahmoud Hamandi, Mohamed Heshmat, Oualid Doukhi, Abdeldjallil Naceri, Attique Bashar, Abdelrahim Mohamed, Teodor Tomic, Yue Peng, Samuel Schneider, Cheng-Chung Lee, Janine Guo, Qinghao Zhang, Kim Jeffery

分類: cs.RO

原文アブストラクト

Physical AI requires more than increasingly large robot datasets: intelligent robots acquire knowledge through continuous interaction with the physical world. We argue that the defining scientific resource of Physical AI is therefore not raw robot data alone, but robot experience - physically grounded interaction whose observations, actions, embodiment, context, and outcomes preserve the perception-action-consequence loop. We introduce the Robot Data Factory (RDF), a mission-driven infrastructure and methodology for continuously generating, validating, benchmarking, and reusing such experience. RDF organizes heterogeneous robots and environment-specific training grounds through reproducible missions, skill curricula, synchronized multimodal sensing, external ground truth, an agentic robot network, data pipelines, and living benchmarks. Rather than treating datasets as static end products, RDF implements a closed Deploy-Measure-Learn-Repeat cycle in which validated physical experience supports world models, vision-language-action models, embodied policies, digital twins, and subsequent robot deployment. We further formalize robot experience and its quality, introduce a mission-task-skill-episode-dataset-benchmark-capability hierarchy, and derive quantitative scaling laws and an algorithmic synthesis procedure connecting robot fleet size, sensor rates, storage, learning representations, tokenization, training compute, inference, and latency to Embodied-AI cluster requirements. The framework is instantiated in three complementary physical training grounds for domestic, environmental, and energy applications. RDF thus reframes robot data generation as a continuous scientific production process and provides a pathway toward reproducible, scalable, and eventually federated infrastructure for Physical AI.

arXivで原文を読む →arXiv概要ページ

← 論文一覧