論文の概要: Multi-Rigid-Body Approximation of Human Hands with Application to Digital Twin

• arxiv url: http://arxiv.org/abs/2512.07359v1
• Date: Mon, 08 Dec 2025 09:59:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.203034
• Title: Multi-Rigid-Body Approximation of Human Hands with Application to Digital Twin
• Title（参考訳）: デジタル双生児における人手の多輪体近似
• Authors: Bin Zhao, Yiwen Lu, Haohua Zhu, Xiao Li, Sheng Yi,
• Abstract要約: 人間の手の多剛体近似を構築するための完全なパイプラインを提案する。 重要な技術的課題は、MANOの非拘束SO(3)関節回転を剛体モデルの運動的に制約された関節に投影することである。 我々は、強化学習ポリシーが多剛体ハンドを制御するデジタルツイン実験を通して、我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 15.994779114499861
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human hand simulation plays a critical role in digital twin applications, requiring models that balance anatomical fidelity with computational efficiency. We present a complete pipeline for constructing multi-rigid-body approximations of human hands that preserve realistic appearance while enabling real-time physics simulation. Starting from optical motion capture of a specific human hand, we construct a personalized MANO (Multi-Abstracted hand model with Neural Operations) model and convert it to a URDF (Unified Robot Description Format) representation with anatomically consistent joint axes. The key technical challenge is projecting MANO's unconstrained SO(3) joint rotations onto the kinematically constrained joints of the rigid-body model. We derive closed-form solutions for single degree-of-freedom joints and introduce a Baker-Campbell-Hausdorff (BCH)-corrected iterative method for two degree-of-freedom joints that properly handles the non-commutativity of rotations. We validate our approach through digital twin experiments where reinforcement learning policies control the multi-rigid-body hand to replay captured human demonstrations. Quantitative evaluation shows sub-centimeter reconstruction error and successful grasp execution across diverse manipulation tasks.
• Abstract（参考訳）: 人手シミュレーションはデジタルツインアプリケーションにおいて重要な役割を担い、解剖学的な忠実さと計算効率のバランスをとるモデルを必要とする。 本研究では,現実的な外観を保ちながら,実時間物理シミュレーションを可能にした,人間の手の多剛体近似を構築するための完全なパイプラインを提案する。 特定の人間の手の光学的モーションキャプチャから始めて、パーソナライズされたMANO(Multi-Abstracted Hand Model with Neural Operations)モデルを構築し、解剖学的に一貫した関節軸を持つURDF(Unified Robot Description Format)表現に変換する。 重要な技術的課題は、MANOの非拘束SO(3)関節回転を剛体モデルの運動的に制約された関節に投影することである。 単自由度ジョイントに対する閉形式解を導出し、回転の非可換性を適切に扱う2つの自由度ジョイントに対してベーカー・カンベル・ハウスドルフ(BCH)補正反復法を導入する。 デジタル双対実験により、強化学習ポリシーが多体ハンドを制御し、捕獲された人間の実演を再現する手法を検証した。 定量的評価により,多種多様な操作課題におけるサブセンシティメータ再構成誤差と把握実行が得られた。

関連論文リスト

• UniHand: A Unified Model for Diverse Controlled 4D Hand Motion Modeling [45.29560152294065]
  UniHandは、条件付きモーション合成として推定と生成の両方を定式化する統合拡散ベースのフレームワークである。 視覚観察は凍結したバックボーンで符号化され、専用のハンドパーセプトロンは画像特徴から直接手固有のキューを抽出する。 潜在拡散モデルは、様々な条件から一貫した動き列を合成する。
  論文  参考訳（メタデータ） (2026-02-25T06:53:15Z)
• SAM 3D Body: Robust Full-Body Human Mesh Recovery [65.0108906331903]
  シングルイメージフルボディ3Dヒューマンメッシュリカバリ(HMR)のためのアクセラブルモデルSAM 3D Body (3DB)を紹介する。 3DBは、身体、足、手の人間のポーズを推定します。 骨格構造と表面形状を分離する新しいパラメトリックメッシュ表現であるMomentum Human Rig(MHR)を使用した最初のモデルである。
  論文  参考訳（メタデータ） (2026-02-17T20:26:37Z)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• DPoser-X: Diffusion Model as Robust 3D Whole-body Human Pose Prior [82.9526308672547]
  DPoser-Xは3次元人体写真の拡散に基づく先行モデルである。 提案手法は,様々なポーズ中心タスクを逆問題として統一し,変分拡散サンプリングにより解決する。 我々のモデルは、常に最先端の代替品よりも優れており、人体全体のポーズを事前モデリングするための新しいベンチマークを確立している。
  論文  参考訳（メタデータ） (2025-08-01T12:56:39Z)
• Reconstructing Close Human Interaction with Appearance and Proxemics Reasoning [50.76723760768117]
  既存の人間のポーズ推定手法では、既存の映像からもっともらしい密接な相互作用を回復できない。 人間の外見は、これらの障害に対処するための簡単な手がかりとなる。 本研究では,人間の外見,社会的プロキシ,物理法則に制約された身体接触により,正確な対話動作を再構築するための2分岐最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-03T12:19:26Z)
• 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)
• MS-MANO: Enabling Hand Pose Tracking with Biomechanical Constraints [50.61346764110482]
  筋骨格系と学習可能なパラメトリックハンドモデルMANOを統合し,MS-MANOを作成する。 このモデルは骨格系を駆動する筋肉と腱の力学をエミュレートし、結果として生じるトルク軌跡に生理学的に現実的な制約を与える。 また,マルチ層パーセプトロンネットワークによる初期推定ポーズを改良する,ループ式ポーズ改善フレームワークBioPRを提案する。
  論文  参考訳（メタデータ） (2024-04-16T02:18:18Z)
• Enhanced Human-Robot Collaboration using Constrained Probabilistic Human-Motion Prediction [5.501477817904299]
  本研究では,人間の関節の制約とシーンの制約を組み込んだ新しい動き予測フレームワークを提案する。 人間の腕のキネマティックモデルでテストされ、UR5ロボットアームと人間とロボットの協調的な設定で実装されている。
  論文  参考訳（メタデータ） (2023-10-05T05:12:14Z)

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。