論文の概要: DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo
- arxiv url: http://arxiv.org/abs/2605.16257v1
- Date: Fri, 15 May 2026 17:59:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-18 17:44:16.362692
- Title: DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo
- Title（参考訳）: DexJoCo: MuJoCo上でのタスク指向のデクサラス操作のためのベンチマークとツールキット
- Authors: Hanwen Wang, Weizhi Zhao, Xiangyu Wang, Siyuan Huang, He Lin, Boyuan Zheng, Rongtao Xu, Gang Wang, Yao Mu, He Wang, Lue Fan, Hongsheng Li, Zhaoxiang Zhang, Tieniu Tan,
- Abstract要約: DexJoCoはタスク指向のデクサラス操作のためのベンチマークとツールキットである。
本研究は,ツール使用,双方向調整,長期実行,推論などを評価する機能的なタスクを11個提示する。
我々は、視覚的・動的ランダム化、マルチタスクトレーニング、アクションヘッド適応など、多様な設定で最新のモデルをベンチマークする。
- 参考スコア（独自算出の注目度）: 82.73355932907565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Achieving human-level manipulation requires dexterous robotic hands capable of complex object interactions. Advancing such capabilities further demands standardized benchmarks for systematic evaluation. However, existing dexterous benchmarks lack tasks that reflect the unique manipulation capabilities of dexterous hands over parallel grippers, as well as comprehensive evaluation pipelines. In this paper, we present DexJoCo, a benchmark and toolkit for task-oriented dexterous manipulation, comprising 11 functionally grounded tasks that evaluate tool-use, bimanual coordination, long-horizon execution, and reasoning. We develop a low-cost data collection system and collect 1.1K trajectories across these tasks, with support for domain randomization to assess robustness. We benchmark modern models under diverse settings, including visual and dynamics randomization, multi-task training, and action-head adaptation. Through extensive empirical analysis, we identify several important insights and common limitations of current policies in dexterous manipulation, highlighting key challenges for future research in dexterous hand robot learning. Project page available at: https://dexjoco.github.io
- Abstract（参考訳）: 人間のレベルでの操作を実現するには、複雑な物体の相互作用が可能な器用なロボットハンドが必要である。
このような能力の強化は、体系的な評価のために標準化されたベンチマークを要求する。
しかし、既存のデキスタラスベンチマークには、並列グリッパー上のデキスタラスハンドのユニークな操作能力を反映したタスクや、包括的な評価パイプラインが欠如している。
本稿では,タスク指向のデクサラス操作のためのベンチマークおよびツールキットであるDexJoCoについて述べる。
我々は、低コストのデータ収集システムを開発し、これらのタスクにまたがる1.1Kのトラジェクトリを収集し、ロバスト性を評価するためのドメインランダム化をサポートする。
我々は、視覚的・動的ランダム化、マルチタスクトレーニング、アクションヘッド適応など、多様な設定で最新のモデルをベンチマークする。
広範囲にわたる経験的分析を通じて、創発的操作における現在の政策のいくつかの重要な洞察と共通の制限を特定し、創発的ハンドロボット学習における今後の研究における重要な課題を浮き彫りにする。
プロジェクトページは、https://dexjoco.github.ioで公開されている。
関連論文リスト
- A Benchmark of Dexterity for Anthropomorphic Robotic Hands [6.846001511743122]
デクスタリティ(Dexterity)は、人間型ロボットハンドの設計と評価において、中心的かつ曖昧に定義された概念である。
我々は,構成された操作と把握動作のセットにまたがって,デクスタリティをタスクパフォーマンスとして形式化する包括的なベンチマークであるPOMDARを紹介する。
論文 参考訳（メタデータ） (2026-04-10T13:04:28Z) - BiCoord: A Bimanual Manipulation Benchmark towards Long-Horizon Spatial-Temporal Coordination [20.953323366922266]
BiCoordは、長い水平とタイトに調整されたバイマニュアル操作のためのベンチマークである。
具体的には、BiCoordは、連続的なアーム間依存関係と動的ロール交換を必要とする多様なタスクで構成されている。
その結果、代表的操作ポリシーは長期化と高度に結合したタスクに苦しむことが明らかとなった。
論文 参考訳（メタデータ） (2026-04-07T13:02:17Z) - Concurrent Prehensile and Nonprehensile Manipulation: A Practical Approach to Multi-Stage Dexterous Tasks [23.52755440099898]
実世界のデキスタラスマルチタスク操作のためのサンプル効率の良いアプローチであるDexMultiを提案する。
モノリシックなポリシーを学習する代わりに、現在のオブジェクトの幾何学に基づくスキルを抽出する。
提案手法は,オブジェクトごとの3～4つの実演で平均66%の成功率を達成し,拡散政策ベースラインを2～3倍に向上させる。
論文 参考訳（メタデータ） (2026-03-12T08:25:21Z) - SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending [79.83865372778273]
SkillBlenderは、多目的なヒューマノイドロコ操作のための新しい階層的強化学習フレームワークである。
SkillBlenderは、まずゴール条件付きタスク非依存のプリミティブスキルを事前訓練し、その後、これらのスキルを動的にブレンドして複雑なロコ操作タスクを達成する。
また,3つのエボディメント,4つのプリミティブスキル,8つの難解なロコ操作タスクを含む並列的,クロスエボディメント,多種多様なシミュレーションベンチマークであるSkillBenchを紹介した。
論文 参考訳（メタデータ） (2025-06-11T03:24:26Z) - What Limits Virtual Agent Application? OmniBench: A Scalable Multi-Dimensional Benchmark for Essential Virtual Agent Capabilities [56.646832992178105]
我々は、制御可能な複雑性のタスクを合成するための自動パイプラインを備えたクロスプラットフォームグラフベースのベンチマークであるOmniBenchを紹介した。
OmniEvalは、サブタスクレベルの評価、グラフベースのメトリクス、および10機能にわたる包括的なテストを含む多次元評価フレームワークである。
我々のデータセットには、20のシナリオにわたる36万のグラフ構造化タスクが含まれており、人間の受け入れ率は91%に達する。
論文 参考訳（メタデータ） (2025-06-10T15:59:38Z) - DexMachina: Functional Retargeting for Bimanual Dexterous Manipulation [48.68321200585559]
本研究では,人間の手動物体から対象状態を追跡するための機能的難解な操作ポリシーの問題点について検討する。
そこで我々は,仮想オブジェクトコントローラを強度で使用するという,新しいカリキュラムベースのアルゴリズムを提案する。
DexMachinaがベースライン法を著しく上回っていることを示すため,多様なタスクセットと器用な手を用いたシミュレーションベンチマークを作成した。
論文 参考訳（メタデータ） (2025-05-30T17:50:23Z) - DexterityGen: Foundation Controller for Unprecedented Dexterity [67.15251368211361]
ツール使用など,ロボットの巧妙な操作スキルを教えることは,大きな課題となる。
現在のアプローチは、人間の遠隔操作(模倣学習)とシミュレート・トゥ・リアル強化学習(sim-to-real reinforcement learning)の2つの戦略に大別できる。
本稿では,手動回転や翻訳などの大規模動きプリミティブをRLで事前学習するDexterityGenを紹介する。
現実の世界では、人間の遠隔操作をコントローラーのプロンプトとして利用し、厳密な振る舞いを生み出す。
論文 参考訳（メタデータ） (2025-02-06T18:49:35Z) - Sequential Dexterity: Chaining Dexterous Policies for Long-Horizon
Manipulation [28.37417344133933]
本稿では、長期タスク目標を達成するための複数の厳密なポリシーをチェーンする汎用システムであるSequential Dexterityを提案する。
システムの中核は、連鎖の成功率を高めるためのサブ政治を段階的に微調整する移行実現機能である。
本システムでは,新規な物体形状への一般化能力を実証し,デキスタラスハンドを備えた実世界ロボットへのゼロショット移動を可能にする。
論文 参考訳（メタデータ） (2023-09-02T16:55:48Z) - Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。
タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。
我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文 参考訳（メタデータ） (2022-10-12T15:02:04Z)
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。