ARSTAG: タスク特化型ロボットデータ生成のためのエージェント型Real2Sim2Realシステム

- 単一の RGB 画像と自然言語指示から、ロボットの visuomotor policy 学習用データを自動生成する agentic Real2Sim2Real システム。 - 言語エージェントの階層が、タスク限定の simulation scene 構築、ロボット実行可能な demonstration 生成、task-consistent randomization による訓練分布拡張を行う。 - coordinator agent が段階間の feedback と recovery を管理する。

- 従来は新しい manipulation task への適応に手作業の engineering や teleoperated data collection が必要だった。 - simulation は大規模データを提供できるが、scene 構築・expert 行動設計・データ生成設定にタスクごとの労力がかかった。 - ARSTAG は単一 RGB 画像と言語指示のみからこれらを自動化する点が異なる。

- 言語エージェントの階層構造を採用。 - タスクスコープの simulation scene を構築。 - ロボット実行可能な demonstration を生成。 - task-consistent randomization で訓練分布を拡張。 - coordinator agent が cross-stage feedback と recovery を管理。

- grasping, placement, stacking を含む 7 つの manipulation task で評価。 - ARSTAG 生成 demonstration により 3 つの visuomotor policy architecture を dual-arm robot へ sim-to-real transfer。 - pi0.5 が実世界で平均成功率 74.6% を達成。 - ablation で task-consistent randomization が robustness を大幅改善、生成データセットサイズ増加で policy 性能が向上することを示した。

- task-consistent randomization が robustness を大幅に改善することが ablation で示された。 - policy 性能が生成データセットサイズとともに増加することが示された。 - その他の限界や議論は要旨からは不明。

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として visuomotor policy, sim-to-real transfer, Real2Sim2Real, teleoperation, domain randomization などが挙げられる。 - 具体的な次読論文は要旨からは不明。