Framework Generativo Crea Scene di Simulazione ad Alta Fedeltà da Panorami del Mondo Reale per l'Apprendimento dei Robot
Un nuovo framework generativo è stato sviluppato per collegare ambienti del mondo reale con scene di simulazione ad alta fedeltà, affrontando le sfide di costo e scalabilità nella raccolta di dati robotici dal mondo reale. Questo metodo genera scene cugine variate attraverso modifiche sia semantiche che geometriche, facilitando un'efficace data augmentation per la valutazione e l'apprendimento delle politiche robotiche. Compiti di manipolazione interattiva sono supportati da motori fisici di alta qualità e asset realistici all'interno di questi ambienti creati. Tecniche di cucitura multi-stanza consentono l'assemblaggio di ambienti su larga scala coerenti per la navigazione estesa attraverso layout intricati. Gli esperimenti indicano una robusta correlazione tra simulazione e realtà, confermando l'accuratezza della piattaforma. Questa ricerca, identificata come arXiv:2604.15805v1, offre una soluzione praticabile per migliorare le scene del mondo reale nelle simulazioni, affrontando gli ostacoli nell'acquisizione di asset fisici e nella riconfigurazione degli ambienti.
Fatti principali
- Framework generativo mappa panorami del mondo reale in scene di simulazione
- Sintetizza scene cugine diversificate tramite editing semantico e geometrico
- Supporta compiti di manipolazione interattiva con motori fisici
- Utilizza cucitura multi-stanza per ambienti di navigazione su larga scala
- Dimostra una forte correlazione sim-to-real negli esperimenti
- Affronta la costosa raccolta di dati dal mondo reale per i robot
- Consente un'efficiente data augmentation per l'apprendimento robotico
- Ricerca annunciata su arXiv come arXiv:2604.15805v1
Entità
Istituzioni
- arXiv