論文の概要: From Power to Precision: Learning Fine-grained Dexterity for Multi-fingered Robotic Hands

• arxiv url: http://arxiv.org/abs/2511.13710v1
• Date: Mon, 17 Nov 2025 18:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 18:52:09.694295
• Title: From Power to Precision: Learning Fine-grained Dexterity for Multi-fingered Robotic Hands
• Title（参考訳）: パワーから精度へ:多指ロボットハンドのきめ細かいデキスタリティを学習する
• Authors: Jianglong Ye, Lai Wei, Guangqi Jiang, Changwei Jing, Xueyan Zou, Xiaolong Wang,
• Abstract要約: 人間の握力は、大まかに2つのタイプに分類できる。 今日のマルチフィンガーロボットハンドは、パワーグリップに効果があるが、精度を必要とするタスクでは、パラレルグリップが広く採用されている。 マルチフィンガーハンドの制御設計とハードウェア設計を共同で最適化することで,このギャップを埋める。
• 参考スコア（独自算出の注目度）: 20.469682777841207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human grasps can be roughly categorized into two types: power grasps and precision grasps. Precision grasping enables tool use and is believed to have influenced human evolution. Today's multi-fingered robotic hands are effective in power grasps, but for tasks requiring precision, parallel grippers are still more widely adopted. This contrast highlights a key limitation in current robotic hand design: the difficulty of achieving both stable power grasps and precise, fine-grained manipulation within a single, versatile system. In this work, we bridge this gap by jointly optimizing the control and hardware design of a multi-fingered dexterous hand, enabling both power and precision manipulation. Rather than redesigning the entire hand, we introduce a lightweight fingertip geometry modification, represent it as a contact plane, and jointly optimize its parameters along with the corresponding control. Our control strategy dynamically switches between power and precision manipulation and simplifies precision control into parallel thumb-index motions, which proves robust for sim-to-real transfer. On the design side, we leverage large-scale simulation to optimize the fingertip geometry using a differentiable neural-physics surrogate model. We validate our approach through extensive experiments in both sim-to-real and real-to-real settings. Our method achieves an 82.5% zero-shot success rate on unseen objects in sim-to-real precision grasping, and a 93.3% success rate in challenging real-world tasks involving bread pinching. These results demonstrate that our co-design framework can significantly enhance the fine-grained manipulation ability of multi-fingered hands without reducing their ability for power grasps. Our project page is at https://jianglongye.com/power-to-precision
• Abstract（参考訳）: 人間の握力は、大まかに2つのタイプに分類できる。 精密把握は道具の使用を可能にし、人類の進化に影響を与えたと考えられている。 今日のマルチフィンガーロボットハンドは、パワーグリップに効果があるが、精度を必要とするタスクでは、パラレルグリップが広く採用されている。 このコントラストは、現在のロボットハンド設計における重要な制限を強調している: 安定したパワーの把握と、単一の汎用システム内での精密できめ細かい操作の両方を達成することの難しさ。 本研究では,マルチフィンガーハンドの制御とハードウェア設計を協調的に最適化し,パワーと精度の両面での操作を可能にすることにより,このギャップを埋める。 我々は手全体を再設計する代わりに、軽量な指先形状修正を導入し、接触面として表現し、対応する制御とともにパラメータを協調的に最適化する。 我々の制御戦略は、パワーと精度操作を動的に切り替え、精度制御を並列なサム・インデックス運動に単純化し、シム・トゥ・リアル・トランスファーの堅牢性を示す。 設計面では、大規模シミュレーションを利用して、微分可能なニューラル・フィジカル・サロゲートモデルを用いて指先形状を最適化する。 我々は、シミュレート・トゥ・リアル・トゥ・リアル・トゥ・リアル・セッティングの広範な実験を通じて、我々のアプローチを検証する。 本手法は,実写精度把握における未確認物体に対する82.5%のゼロショット成功率と,パンの挟み込みを含む実世界の課題における93.3%の成功率を達成する。 これらの結果から,我々の共同設計フレームワークは,多指ハンドの細粒度操作能力を大幅に向上できることを示す。 私たちのプロジェクトページはhttps://jianglongye.com/power-to-precisionにあります。

関連論文リスト

• Development of the Bioinspired Tendon-Driven DexHand 021 with Proprioceptive Compliance Control [10.382085972192723]
  この手紙は、Dex-Hand 021という高性能でケーブル駆動の5本指ロボットハンドで、12のアクティブと7の受動的自由度(DoF)を持つ。 操作性を高めるために,プロプリオセプティブ・フォースセンシングに基づくアプタンス制御法を提案する。 実験の結果, シングルフィンガー負荷容量は10N以上, 再現性は0.001m以下, 力推定誤差は0.2N以下であった。
  論文  参考訳（メタデータ） (2025-11-05T14:07:03Z)
• DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
  高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。 DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。 当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
  論文  参考訳（メタデータ） (2024-11-27T18:03:26Z)
• Decomposed Vector-Quantized Variational Autoencoder for Human Grasp Generation [27.206656215734295]
  本稿では,DVQ-VAE(Decomposed Vector-Quantized Variational Autoencoder)を提案する。 部分認識の分解アーキテクチャは、手とオブジェクトの各コンポーネント間のインタラクションをより正確に管理するのに役立つ。 提案モデルでは,4つのベンチマークにおいて,最先端の手法と比較して,品質指標の14.1%の相対的な改善を実現した。
  論文  参考訳（メタデータ） (2024-07-19T06:41:16Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• DMFC-GraspNet: Differentiable Multi-Fingered Robotic Grasp Generation in Cluttered Scenes [22.835683657191936]
  マルチフィンガーロボットグリップは、複雑なオブジェクト操作を行う可能性がある。 マルチフィンガーロボットグリップの現在の技術は、推論時間毎に1つのグリップしか予測しないことが多い。 本稿では,この課題に対処するための3つの主要なコントリビューションを持つ,微分可能なマルチフィンガーグリップ生成ネットワーク(DMFC-GraspNet)を提案する。
  論文  参考訳（メタデータ） (2023-08-01T11:21:07Z)
• Deformer: Dynamic Fusion Transformer for Robust Hand Pose Estimation [59.3035531612715]
  既存の方法では、手のこもりが強かったり、ぼやけたりすると、手のポーズが難しい場合が多い。 ビデオでは、手の動きによって、片方のフレームに隠されたり、ぼやけたりして、手のさまざまな部分を観察することができる。 画像内の手の部分間の関係を暗黙的に推論するフレームワークであるDeformerを提案する。
  論文  参考訳（メタデータ） (2023-03-09T02:24:30Z)
• DIGIT: A Novel Design for a Low-Cost Compact High-Resolution Tactile Sensor with Application to In-Hand Manipulation [16.54834671357377]
  汎用的な手動操作は、ロボティクスの未解決課題の1つとして残されている。 DIGITは安価でコンパクトで高解像度な触覚センサで、手作業で操作できる。
  論文  参考訳（メタデータ） (2020-05-29T17:07:54Z)
• The Feeling of Success: Does Touch Sensing Help Predict Grasp Outcomes? [57.366931129764815]
  両指にGelSight高解像度触覚センサを装着した2本指グリップを用いて,9000以上の握力試験を行った。 実験結果から,触覚を取り入れることで把握性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2017-10-16T05:32:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。