論文の概要: MoDex: A Diffusion Policy for Sequential Multi-Object Dexterous Grasping

• arxiv url: http://arxiv.org/abs/2606.05407v1
• Date: Wed, 03 Jun 2026 20:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.385275
• Title: MoDex: A Diffusion Policy for Sequential Multi-Object Dexterous Grasping
• Title（参考訳）: MoDex: 逐次マルチオブジェクトデクサラスグラフピングのための拡散ポリシー
• Authors: Haofei Lu, Hongjia Liu, Yifei Dong, Florian T. Pokorny, Jens Lundell, Danica Kragic,
• Abstract要約: ほとんどの厳密な把握法は、すべての自由度を単一の物体にコミットする。 MoDexは、観測から直接次のグリップのポーズを予測する拡散ポリシーである。 我々は,MuJoCoをベースとしたFranka Emika PandaロボットのシミュレーションにおけるMoDexの評価を行った。
• 参考スコア（独自算出の注目度）: 21.83502130353004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work addresses sequentially grasping multiple objects with a single dexterous hand without releasing those already held. Most dexterous grasping methods commit all of the hand's degrees of freedom to a single object, underutilizing its dexterity and leaving no redundancy for subsequent grasps. The proposed solution, MoDex, is a diffusion policy that predicts the next gripper pose directly from observations, conditioned on an opposition space and point cloud. The opposition space condition specifies which fingers participate in the current grasp, enabling the gripper to use only a subset of its available degrees of freedom while reserving the remaining degrees of freedom for subsequent grasps. To facilitate sim-to-real transfer, MoDex is trained in two stages: first through imitation learning on expert demonstrations, and subsequently through reinforcement learning fine-tuning, which consistently improves success rates over the pre-trained policy. We evaluate MoDex in simulation on a MuJoCo-based Franka Emika Panda robot equipped with an Allegro Hand and on the corresponding real-world hardware platform. Across both simulation and real-world experiments, MoDex achieves higher success rates than the evaluated learning-based baselines, improving performance by 2.92-17.92% and 6.67-17.78%, respectively. Project page: https://modex2026.github.io/.
• Abstract（参考訳）: この作業は、すでに保持されているオブジェクトを解放することなく、複数のオブジェクトを1つのデクサラスハンドでシーケンシャルに把握する。 ほとんどの器用な把握法は、手の自由度を1つの物体に当てはめ、その器用さを過小評価し、その後の把握に冗長性を残さない。 提案したソリューションであるMoDexは、反対空間と点雲に条件付けされた観測から、次のグリップパのポーズを直接予測する拡散ポリシーである。 反対の空間条件は、どの指が現在の握手に参加するかを指定するため、握手は、残りの自由度を保ちながら、利用可能な自由度のサブセットのみを使用することができる。 シミュレーションから現実への移行を容易にするために、MoDexは、まず専門家によるデモンストレーションの模倣学習、続いて強化学習による微調整の2つの段階で訓練される。 我々は,Allegro Handを搭載したMuJoCoベースのFranka Emika Pandaロボットと,それに対応する実世界のハードウェアプラットフォーム上で,MoDexをシミュレーションで評価した。 シミュレーションと実世界の実験の両方で、MoDexは評価された学習ベースラインよりも高い成功率を達成し、それぞれ2.92-17.92%と6.67-17.78%の性能向上を実現している。 プロジェクトページ: https://modex2026.github.io/.com

関連論文リスト

• Dexora: Open-source VLA for High-DoF Bimanual Dexterity [97.98653150757526]
  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。
  論文  参考訳（メタデータ） (2026-05-18T17:50:32Z)
• Primary-Fine Decoupling for Action Generation in Robotic Imitation [91.2899765310853]
  ロボット操作動作シーケンスにおけるマルチモーダル分布は、模倣学習にとって重要な課題である。 PF-DAG(プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、プライマリ・フィン・デカップリング・フォー・アクション・ジェネレーション、PF-DAG)を提案する。 PF-DAGは、Adroit、DexArt、MetaWorldベンチマークの56タスクで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-25T08:36:45Z)
• DexFormer: Cross-Embodied Dexterous Manipulation via History-Conditioned Transformer [18.11650194615062]
  有害な操作は、ロボティクスにおける最も難しい問題の1つだ。 DexFormerはエンド・ツー・エンド、ダイナミックス対応のクロス・エボディメント・ポリシーです。 以上の結果から,片方の政策が異種手による実施にまたがって一般化できることが示唆された。
  論文  参考訳（メタデータ） (2026-02-09T05:16:48Z)
• GenDexHand: Generative Simulation for Dexterous Hands [33.204646313894095]
  GenDexHandは、複雑な操作のための多様なロボットタスクと環境を自律的に生成する生成シミュレーションパイプラインである。 我々の研究は、インボディード・インテリジェンスにおける多様な手の動きのスケーラブルなトレーニングに向けて実行可能な道筋を提供する。
  論文  参考訳（メタデータ） (2025-11-03T17:45:38Z)
• MoMaGen: Generating Demonstrations under Soft and Hard Constraints for Multi-Step Bimanual Mobile Manipulation [37.870170020889994]
  本稿では,データ生成を制約付き最適化問題として定式化するMoMaGenを紹介する。 既存の手法よりもはるかに多様なデータセットを生成することを示す。 MoMaGenは、単一のソースデモから成功した模倣学習ポリシーをトレーニングすることができる。
  論文  参考訳（メタデータ） (2025-10-21T05:56:47Z)
• Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
  既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。 本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:57:00Z)
• 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)
• Dexterous Functional Grasping [39.15442658671798]
  本稿では,両世界の長所を組み合わさって,対象物の機能的把握を実現する。 少数の人的データを用いてRLの探索空間を削減するための固有グラスプの新規な応用を提案する。 固有グラフプ動作空間は,シミュレーションにおいてベースラインを上回り,実戦におけるハードコードグリップよりも優れ,訓練された人間の遠隔操作者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2023-12-05T18:59:23Z)
• DexTransfer: Real World Multi-fingered Dexterous Grasping with Minimal Human Demonstrations [51.87067543670535]
  本研究では,少数の人間によるデモンストレーションを行い,見えない物体のポーズを学習するロボット学習システムを提案する。 我々は,物体の点群を入力として捉え,物体を異なる初期ロボット状態から把握するための連続的な動作を予測する,厳密な把握ポリシーを訓練する。 我々のデータセットから学んだポリシーは、シミュレーションと現実世界の両方で見えないオブジェクトのポーズをうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-09-28T17:51:49Z)

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。