データ拡張2026/11/6arXiv:2611.09145

Augmentron：ロボット学習のためのスケーラブルなマルチビュー視覚拡張

Augmentron: Scalable Multi-View Visual Augmentation for Robot Learning

記録されたカメラポーズを用いて幾何学的に一貫したシーン表現を生成・描画し、時間的・多視点的一貫性を保ちながら環境や作業空間のバリエーションを拡張するパイプラインを提案。実世界データの半分を置き換えることで、分布外の妨害物体や作業空間変化に対するロボットポリシーの汎化性能が向上した。

詳しい要約

1. どんなもの？

- ロボット学習向けの視覚データ拡張パイプライン「Augmentron」の提案。 - 実演データの視覚的多様性を生成し、policy の汎化を狙う。 - 環境やワークスペースの変動を生成しつつ、robot・task objects・actions・annotations は保持する。 - 時間方向および multi-view で一貫した観測を生成する点を特徴とする。

2. 先行研究と比べてどこがすごい？

- 既存の generative augmentation は各フレーム・各カメラ視点を独立処理するため計算コストが高く、カメラ間・時刻間で不整合な観測を生みうる。 - Augmentron は geometry-aware に再利用可能な scene representations を生成し、記録済み camera poses で描画することで、時間的・multi-view 的一貫性を確保する。 - これにより robot・task objects・actions・annotations を保ったまま環境・ワークスペース変動を付与できる。

3. 技術・手法の肝は？

- geometry-aware なパイプライン。 - 再利用可能な scene representations を生成し、記録された camera poses を通して描画する。 - これにより時間的・multi-view に一貫した環境およびワークスペースの変動を生成。 - robot・task objects・actions・annotations は保持する設計。 - 具体的な生成モデルや geometry 表現の詳細は要旨からは不明。

4. どうやって有効だと検証した？

- 3つの physical manipulation tasks で検証。 - 実世界訓練データの半分を Augmentron データに置換。 - out-of-distribution distractor objects と out-of-distribution workspace variation の評価で、3タスクすべての model success が向上。 - 代替 augmentation 手法との比較で、3条件すべてにおいて Augmentron が最高の pooled success を達成。

5. 議論はある？

- 拡張データを訓練レシピに導入することで、policy が動的な実世界設定へ汎化しやすくなることを示唆。 - 計算コストや multi-view 一貫性の課題に対する geometry-aware アプローチの有効性を議論。 - 限界や失敗事例、生成データの品質評価、他タスクへの一般化については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で直接参照・比較されている個別研究名は不明。 - 関連手法として generative augmentation、multi-view consistent な data augmentation、geometry-aware rendering を用いた robot learning の研究を挙げる。 - 同分野の定番として imitation learning における data augmentation や domain randomization の文献を次に読むべき。

※ 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: Tanay Tandon, Aseem Doriwala, Jade Choghari, Catherine Weaver, Pragna Mannam

分類: cs.LG, cs.RO

原文アブストラクト

Robot policies trained on visually narrow demonstrations can become sensitive to environmental features that are unrelated to the task. Existing generative augmentation methods can introduce visual diversity, but processing every frame and camera view independently is computationally expensive and may produce inconsistent observations across cameras and timestamps. We introduce Augmentron, a geometry-aware pipeline that generates reusable scene representations and renders them through recorded camera poses. This produces temporally and multi-view consistent environ- ment and workspace variations while preserving the robot, task objects, actions, and annotations. Across three physical manipulation tasks, replacing half of the real world training dataset with Augmentron data improves model success across three tasks for both in out-of-distribution distractor objects, and out-of-distribution workspace variation evaluations. In a separate comparison against alternate augmentation techniques, Augmentron achieves the highest pooled success in all three conditions. The results show that introducing augmented data to a data training recipe can help policies generalize to dynamic real-world settings.

arXivで原文を読む →arXiv概要ページ

Augmentron：ロボット学習のためのスケーラブルなマルチビュー視覚拡張

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事