論文の概要: Dexora: Open-source VLA for High-DoF Bimanual Dexterity

• arxiv url: http://arxiv.org/abs/2605.18722v1
• Date: Mon, 18 May 2026 17:50:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:50.214903
• Title: Dexora: Open-source VLA for High-DoF Bimanual Dexterity
• Title（参考訳）: Dexora: ハイDoF双方向デクスタリティのためのオープンソースのVLA
• Abstract要約: Dexoraは、デュアルアーム、デュアルハンドハイDoF操作をターゲットとする、世界初のオープンソースのVLAシステムである。 指の動きから全身の運動を分離するハイブリッド遠隔操作パイプラインを設計する。 Dexoraはベーシックベンチマークとデクスタラスベンチマークの両方で競合するVLAベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 97.98653150757526
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-Language-Action (VLA) models have recently become a central direction in embodied AI, but current systems are restricted to either dual-gripper control or single-arm dexterous hand manipulation. While low-dimensional gripper control can often be handled with simpler methods, high-dimensional dexterous hand control benefits greatly from full end-to-end VLA learning. In this work, we introduce Dexora, the first open-source VLA system that natively targets dual-arm, dual-hand high-DoF manipulation. We design a hybrid teleoperation pipeline that decouples gross arm kinematics (captured with a custom exoskeleton backpack) from fine finger motion (markerless hand tracking via Apple Vision Pro), and that drives both a physical dual-arm dual-hand platform and an identical MuJoCo digital twin. Using that interface, we assemble a large training corpus: an embodiment-matched synthetic corpus (100K simulated trajectories, 6.5M frames) and a real-world dataset of 10K teleoperated episodes (2.92M frames). To mitigate noisy teleoperation demonstrations, we propose a data-quality-aware training recipe: an offline discriminator provides clip-level weights for diffusion-transformer policy training, down-weighting low-quality demonstrations. Empirically, Dexora outperforms competitive VLA baselines on both basic and dexterous benchmarks (e.g., average dexterous success 66.7% vs. 51.7%), attains 90% success on basic tasks, and shows robust out-of-distribution and cross-embodiment generalization. Ablations confirm the importance of real data and the discriminator for dexterity.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは近年、AIの具現化における中心的な方向性となっているが、現在のシステムはデュアルグリッパー制御またはシングルアームデキスタラスハンド操作に制限されている。 低次元グリップパー制御は単純な手法で処理できることが多いが、高次元手指制御は完全なVLA学習の恩恵が大きい。 本稿では,デュアルアーム,デュアルハンドハイDoF操作をネイティブにターゲットとする,初のオープンソースのVLAシステムであるDexoraを紹介する。 我々は、細い指の動き(Apple Vision Proによるマーカーレスハンドトラッキング)から、総腕キネマティクス(カスタムエキソスケルトンバックパックでキャプチャ)を分離するハイブリッド遠隔操作パイプラインを設計し、物理的なデュアルアームのデュアルハンドプラットフォームと、同じMuJoCoデジタルツインの両方を駆動する。 このインタフェースを用いて,エボディメント整合合成コーパス(100K擬似軌道6.5Mフレーム)と,実世界の遠隔操作エピソード10Kデータセット(2.92Mフレーム)の大規模なトレーニングコーパスを組み立てる。 ノイズの多い遠隔操作の実証を緩和するため,オフライン判別器は,拡散変圧器政策訓練のためのクリップレベルの重み付け,低品質な実演の低負荷化を行う。 実証的には、Dexoraは基本的なベンチマークとデキスタラスベンチマーク(例えば、平均的なデキスタラス成功率66.7%対51.7%)で競争力のあるVLAベースラインを上回り、基本的なタスクで90%の成功を達成し、堅牢なアウト・オブ・ディストリビューションとクロス・エボデーメントの一般化を示している。 アブレーションは、デクスタリティのための実データと識別器の重要性を裏付ける。

関連論文リスト

• DexDirect: Direct Kinesthetic Arm Guidance for Efficient Dexterous Demonstration Collection [9.768863199575934]
  本稿では,DexDirectについて紹介する。 ユーザー調査によると、DexDirectは純粋な視覚(AnyTeleop)やポーズトラッキング(TeleDex)と比較して17.2xと3.2倍の成功を収めた。 DexDirectデモに基づいて訓練された拡散ポリシは、立方体ピック・アンド・プレイスタスクで90%の成功率に達する。
  論文  参考訳（メタデータ） (2026-07-30T07:17:28Z)
• RLDX-1 Technical Report [74.70437517338186]
  マルチストリーム動作変換器(Multi-Stream Action Transformer:MSAT)上に構築したデクスタス操作のための汎用ロボットポリシーRTDX-1を紹介する。 経験的評価により、RLDX-1は最新のフロンティア・ビジョン・ランゲージ・アクションモデルよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-05T01:40:15Z)
• UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos [65.2981273885678]
  実際のロボット遠隔操作データの収集コストのため、デクサラスな操作は依然として困難である。 我々は、ロボット中心の大規模データセットと視覚言語アクション(VLA)ポリシーを結合したロボット基盤スイートであるUniDexを紹介する。 UniDex-Dataset、UniDex-VLA、UniDex-Capは、ユニバーサルデキスタラス操作のためのスケーラブルな基盤スイートを提供する。
  論文  参考訳（メタデータ） (2026-03-23T17:49:12Z)
• DexHiL: A Human-in-the-Loop Framework for Vision-Language-Action Model Post-Training in Dexterous Manipulation [14.050551792714083]
  ヒューマン・イン・ザ・ループ(HiL)学習は、ロボットポリシーを洗練するための強力なメカニズムであることが証明されている。 DexHiLはDexterous VLAモデルのための最初の統合アームハンドヒューマン・イン・ザ・ループ・フレームワークである。
  論文  参考訳（メタデータ） (2026-03-10T02:55:27Z)
• Towards Human-Like Manipulation through RL-Augmented Teleoperation and Mixture-of-Dexterous-Experts VLA [62.16042475700567]
  本稿では,遠隔操作データ収集を簡易化する共有自律型アシスタントIMCopilotを紹介する。 我々は、不均一な力と触覚モーダルを予め訓練されたVLAバックボーンにシームレスに統合するアーキテクチャであるMoDE-VLAを提案する。 我々は,複雑度を増大させる4つの課題に対するアプローチの有効性を検証し,厳密な接触量の多い課題におけるベースラインよりも2倍の成功率の向上を実証した。
  論文  参考訳（メタデータ） (2026-03-09T09:02:30Z)
• End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy: VR Teleoperation Augmented by Autonomous Hand VLA Policy for Efficient Data Collection [10.217810309422232]
  マクロモーションとマイクロモーションの制御を分割するフレームワークを提案する。 人間のオペレーターが直感的なVR遠隔操作を通してロボットの腕のポーズをガイドします。 自律的なDexGrasp-VLAポリシは、リアルタイム触覚と視覚フィードバックを使用して、きめ細かい手制御を処理する。
  論文  参考訳（メタデータ） (2025-10-31T16:12:02Z)
• Being-H0: Vision-Language-Action Pretraining from Large-Scale Human Videos [66.62109400603394]
  本稿では,大規模な人体ビデオで訓練された視覚・言語・行動モデルであるBeing-H0を紹介する。 提案手法は,人間のビデオからの大規模VLA事前学習,3次元推論のための物理空間アライメント,ロボット作業のためのポストトレーニング適応を組み合わせた,新しいトレーニングパラダイムである物理インストラクションチューニングに重点を置いている。 本研究では,手の動き生成と指示の結果としてのBeat-H0の卓越性を実証的に示すとともに,モデルやデータサイズにもよく対応している。
  論文  参考訳（メタデータ） (2025-07-21T13:19:09Z)
• OpenVLA: An Open-Source Vision-Language-Action Model [131.74098076670103]
  我々は、970kの現実世界のロボットデモの多様なコレクションに基づいて訓練されたオープンソースのVLAであるOpenVLAを紹介した。 OpenVLAは汎用的な操作の強力な結果を示し、RT-2-X (55B) のようなクローズドモデルよりも16.5%高い絶対的なタスク成功率を示した。 モデルチェックポイント、微調整ノートブック、そしてOpen X-Embodimentデータセット上で大規模にVLAをトレーニングするためのビルトインサポートを備えたPyTorchをリリースしています。
  論文  参考訳（メタデータ） (2024-06-13T15:46:55Z)

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。