論文の概要: HANDFUL: Sequential Grasp-Conditioned Dexterous Manipulation with Resource Awareness
- arxiv url: http://arxiv.org/abs/2604.25126v1
- Date: Tue, 28 Apr 2026 02:04:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-29 16:49:17.658686
- Title: HANDFUL: Sequential Grasp-Conditioned Dexterous Manipulation with Resource Awareness
- Title（参考訳）: HANDFUL:資源認識による逐次グラフコンディションデクサラスマニピュレーション
- Authors: Ethan Foong, Yunshuang Li, Hao Jiang, Gaurav S. Sukhatme, Daniel Seita,
- Abstract要約: Dexterous Robot Handは、多機能操作のための豊富な機会を提供する。
器用な操作における以前の作業は、単一目的のシングルスキルタスクに重点を置いていた。
多くのシーケンシャルタスクは、将来のアクションのために指を保存するリソース認識の把握を必要とする。
- 参考スコア（独自算出の注目度）: 17.44917607241962
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dexterous robot hands offer rich opportunities for multifunctional manipulation, where a robot must execute multiple skills in sequence while maintaining control over previously grasped objects. Most prior work in dexterous manipulation focuses on single-object, single-skill tasks. In contrast, our insight is that many sequential tasks require resource-aware grasps that conserve fingers for future actions. In this paper, we study sequential grasp-conditioned dexterous manipulation, where a robot first grasps an object and then performs a second, distinct manipulation subtask while preserving the initial grasp. We introduce HANDFUL, a learning framework that models finger usage as a limited resource and encourages exploration of resource-aware grasps through finger-level contact rewards. These grasps are subsequently selected for downstream tasks via curriculum-based policy learning. We further propose HANDFUL-Bench, a simulation benchmark that introduces sequential dexterous manipulation tasks across multiple secondsubtask objectives, including pushing, pulling, and pressing, under a shared grasp-conditioned setup. Extensive simulation results demonstrate that prioritizing resource-aware grasps improves second-subtask success and robustness compared to a baseline that greedily optimizes the initial grasp before attempting the second subtask. We additionally validate our approach on a real dexterous LEAP hand. Together, this work establishes resource-aware grasp planning as a key principle for multifunctional dexterous manipulation. Supplementary material is available on our website: https://handful-dex.github.io.
- Abstract（参考訳）: Dexterous Robot Handは多機能操作のための豊富な機会を提供し、ロボットは以前に把握したオブジェクトの制御を維持しながら、連続して複数のスキルを実行する必要がある。
器用な操作における以前の作業は、単一目的のシングルスキルタスクに重点を置いていた。
対照的に、シーケンシャルなタスクの多くは、将来の行動のために指を保存するリソース対応の把握を必要とする。
本稿では,まずロボットがまず物体をつかみ,次に最初の把握を保ちながら第2の個別な操作サブタスクを実行する,逐次的把握条件付き外乱操作について検討する。
HANDFULは,指使用を限られたリソースとしてモデル化し,指レベルの接触報酬によるリソース認識の把握を奨励する学習フレームワークである。
これらの把握はその後、カリキュラムベースのポリシー学習を通じて下流タスクに選択される。
さらに,HANDFUL-Benchを提案する。HANDFUL-Bench,HANDFUL-Bench,HANDFUL-Bench,HANDFUL-Bench,HANDFUL-Bench,HANDFUL-Bench,HANDFUL-Bench,HA NDFUL-Bench,HANDFUL-Bench。
大規模シミュレーションの結果,第2サブタスクを試みようとする前に,第2サブタスクの達成率とロバスト性を優先的に最適化するベースラインに比べ,第2サブタスクの成功率とロバスト性を向上することが示された。
また,本研究のアプローチを実測的なLEAPハンドで検証する。
この研究は、多機能デキスタラス操作の鍵となる原則として、資源を意識した把握計画を確立する。
追加資料は、私たちのWebサイト(https://handful-dex.github.io.)で公開されています。
関連論文リスト
- Learning Semantic Atomic Skills for Multi-Task Robotic Manipulation [34.73582639920571]
AtomSkillは、新しいマルチタスク模倣学習フレームワークである。
構成可能なロボット操作のために構造化された原子スキルスペースを学習し活用する。
さまざまな操作タスクにまたがって、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2025-12-20T13:46:08Z) - MAPLE: Encoding Dexterous Robotic Manipulation Priors Learned From Egocentric Videos [43.836197294180316]
そこで本研究では,より効率的なポリシー学習を実現するために,よりリッチな操作を生かした創発的ロボット操作手法であるMAPLEを提案する。
具体的には、手動接触時の手動接触点と詳細な手動ポーズを予測し、学習した特徴を用いて下流操作タスクのポリシーを訓練する。
論文 参考訳（メタデータ） (2025-04-08T14:25:25Z) - Coarse-to-fine Q-Network with Action Sequence for Data-Efficient Robot Learning [62.3886343725955]
本稿では,行動列上のQ値を出力する批判ネットワークを学習する,新しい値に基づく強化学習アルゴリズムを提案する。
実験により、CQN-ASは、様々なスパース逆ヒューマノイド制御およびテーブルトップ操作タスクにおいて、いくつかのベースラインより優れていることが示された。
論文 参考訳（メタデータ） (2024-11-19T01:23:52Z) - PRISE: LLM-Style Sequence Compression for Learning Temporal Action Abstractions in Control [55.81022882408587]
時間的行動抽象化は、信念状態表現とともに、シーケンシャルな意思決定のための強力な知識共有メカニズムである。
本稿では,時間的動作の抽象化をシーケンス圧縮問題として扱う新しい視点を提案する。
本稿では,連続的なアクション量子化とバイトペア符号化を組み合わせて,強力なアクション抽象化を学習するアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-16T04:55:09Z) - Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。
学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
論文 参考訳（メタデータ） (2022-11-16T16:26:48Z) - Learning Dexterous Manipulation from Exemplar Object Trajectories and
Pre-Grasps [34.63975621178365]
Dexterous Manipulation (PGDM) フレームワークは様々なデキスタラスな操作動作を生成する。
PGDMの中核は、よく知られたロボット構造であるプレグラスである。
これらの主張を徹底的に検証するために、50種類の操作タスクのベンチマークであるTCDMを紹介する。
論文 参考訳（メタデータ） (2022-09-22T17:58:59Z) - Robot Learning of Mobile Manipulation with Reachability Behavior Priors [38.49783454634775]
モバイルマニピュレーション(MM)システムは、非構造化現実環境におけるパーソナルアシスタントの役割を引き継ぐ上で理想的な候補である。
その他の課題として、MMは移動性と操作性の両方を必要とするタスクを実行するために、ロボットの実施形態を効果的に調整する必要がある。
本研究では,アクタ批判的RL手法におけるロボットの到達可能性の先行性の統合について検討した。
論文 参考訳（メタデータ） (2022-03-08T12:44:42Z) - Learning Sensorimotor Primitives of Sequential Manipulation Tasks from
Visual Demonstrations [13.864448233719598]
本稿では,低レベルポリシーと高レベルポリシーを同時に学習するニューラルネットワークベースの新しいフレームワークについて述べる。
提案手法の重要な特徴は、これらのポリシーがタスクデモの生のビデオから直接学習されることである。
ロボットアームを用いた物体操作タスクの実証実験の結果,提案するネットワークは実際の視覚的な実演から効率よく学習し,タスクを実行することができることがわかった。
論文 参考訳（メタデータ） (2022-03-08T01:36:48Z) - Active Multi-Task Representation Learning [50.13453053304159]
本研究は,アクティブラーニングの手法を活用することで,資源タスクのサンプリングに関する最初の公式な研究を行う。
提案手法は, 対象タスクに対する各ソースタスクの関連性を反復的に推定し, その関連性に基づいて各ソースタスクからサンプルを抽出するアルゴリズムである。
論文 参考訳（メタデータ） (2022-02-02T08:23:24Z) - COG: Connecting New Skills to Past Experience with Offline Reinforcement
Learning [78.13740204156858]
我々は、動的プログラミングによって新しいスキルを拡張するために、事前データを再利用できることを示します。
我々は、新しいタスクを解決するために、以前のデータセットに見られるいくつかの動作をチェーンすることで、アプローチの有効性を実証する。
我々は、高次元画像観察を低レベルのロボット制御コマンドにマッピングし、エンドツーエンドでポリシーを訓練する。
論文 参考訳（メタデータ） (2020-10-27T17:57:29Z)
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。