論文の概要: Tele-Catch: Adaptive Teleoperation for Dexterous Dynamic 3D Object Catching

• arxiv url: http://arxiv.org/abs/2603.28427v1
• Date: Mon, 30 Mar 2026 13:34:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.419653
• Title: Tele-Catch: Adaptive Teleoperation for Dexterous Dynamic 3D Object Catching
• Title（参考訳）: Tele-Catch: Dexterous Dynamic 3D Object Catchingのための適応的遠隔操作
• Authors: Weiguang Zhao, Junting Dong, Rui Zhang, Kailin Li, Qin Zhao, Kaizhu Huang,
• Abstract要約: 本稿では,動的物体捕集における手動遠隔操作の体系的枠組みであるTele-Catchを提案する。 その中核となるDAIMは,グローブベースの遠隔操作信号を拡散政策決定プロセスに融合させることにより,共有自律性を実現する動的適応統合機構である。 実験により、テレキャッチは動的捕集タスクの精度と堅牢性を著しく向上し、また、別個の器用な手具や以前は見つからなかった物体のカテゴリ間で一貫した利得を示した。
• 参考スコア（独自算出の注目度）: 30.78650584795827
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Teleoperation is a key paradigm for transferring human dexterity to robots, yet most prior work targets objects that are initially static, such as grasping or manipulation. Dynamic object catch, where objects move before contact, remains underexplored. Pure teleoperation in this task often fails due to timing, pose, and force errors, highlighting the need for shared autonomy that combines human input with autonomous policies. To this end, we present Tele-Catch, a systematic framework for dexterous hand teleoperation in dynamic object catching. At its core, we design DAIM, a dynamics-aware adaptive integration mechanism that realizes shared autonomy by fusing glove-based teleoperation signals into the diffusion policy denoising process. It adaptively modulates control based on the interaction object state. To improve policy robustness, we introduce DP-U3R, which integrates unsupervised geometric representations from point cloud observations into diffusion policy learning, enabling geometry-aware decision making. Extensive experiments demonstrate that Tele-Catch significantly improves accuracy and robustness in dynamic catching tasks, while also exhibiting consistent gains across distinct dexterous hand embodiments and previously unseen object categories.
• Abstract（参考訳）: 遠隔操作は人間のデキスタリティをロボットに転送する上で重要なパラダイムである。 動的オブジェクトキャッチは、オブジェクトが接触する前に移動するが、未探索のままである。 このタスクにおける純粋な遠隔操作は、タイミング、ポーズ、強制的なエラーのためにしばしば失敗し、人間の入力と自律的なポリシーを組み合わせた共有自律性の必要性を強調します。 この目的のために,動的物体捕集における手動遠隔操作の体系的枠組みであるTele-Catchを提案する。 その中核となるDAIMは,グローブベースの遠隔操作信号を拡散政策決定プロセスに融合させることにより,共有自律性を実現する動的適応統合機構である。 相互作用オブジェクトの状態に基づいて制御を適応的に変調する。 政策のロバスト性を改善するために,点雲観測からの教師なし幾何学的表現を拡散政策学習に統合し,幾何学的認識による意思決定を可能にするDP-U3Rを導入する。 広範囲にわたる実験により、テレキャッチは動的捕集タスクの精度と堅牢性を著しく向上し、また、異なるデキスタスハンドの実施形態や、以前は見つからなかった対象カテゴリーに対して一貫した利得を示した。

関連論文リスト

• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• Learning Video Generation for Robotic Manipulation with Collaborative Trajectory Control [72.00655365269]
  本稿では,協調的軌跡定式化を通じてオブジェクト間ダイナミクスをモデル化する新しいフレームワークであるRoboMasterを紹介する。 オブジェクトを分解する従来の方法とは異なり、我々のコアは、相互作用プロセスを3つのサブステージ(相互作用前、相互作用後、相互作用後)に分解することである。 提案手法は既存の手法よりも優れており,ロボット操作のための軌道制御ビデオ生成における最先端性能を確立している。
  論文  参考訳（メタデータ） (2025-06-02T17:57:06Z)
• ForceGrip: Reference-Free Curriculum Learning for Realistic Grip Force Control in VR Hand Manipulation [0.10995326465245926]
  本稿では,現実的な手操作動作を合成する深層学習エージェントであるForceGripを紹介する。 我々は、指の位置決め、意図適応、動的安定化を含む3段階のカリキュラム学習フレームワークを採用する。 以上の結果から,ForceGripの出力制御性と信頼性は最先端の手法に比べて優れていた。
  論文  参考訳（メタデータ） (2025-03-11T05:39:07Z)
• 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)
• Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile Manipulation [16.79185733369416]
  未知の環境下における大型関節オブジェクトとの自律的相互作用のための2段階アーキテクチャを提案する。 第1段階は学習モデルを用いて、RGB-D入力から対象物の調音モデルを推定し、相互作用のための状態の動作条件列を予測する。 第2段階は、生成した運動計画に沿ってオブジェクトを操作する全身運動制御装置からなる。
  論文  参考訳（メタデータ） (2021-03-18T21:32:18Z)

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。