論文の概要: Mana: Dexterous Manipulation of Articulated Tools

• arxiv url: http://arxiv.org/abs/2606.13677v1
• Date: Thu, 11 Jun 2026 17:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.985848
• Title: Mana: Dexterous Manipulation of Articulated Tools
• Title（参考訳）: Mana: 人工道具の有害な操作
• Authors: Zhao-Heng Yin, Guanya Shi, Pieter Abbeel, C. Karen Liu,
• Abstract要約: Manaは、デクスタラス操作をアニメーション問題として再解釈する一般的なsim-to-realフレームワークである。 コンピュータアニメーションにインスパイアされたManaは、手続き的に生成されたグリップを操作軌道に変換する粗いパイプラインを使用している。 Manaは、握りと手操作の両方に対してゼロショットのsim-to-real転送を実現し、巧妙な調音ツール使用に対するスケーラブルなアプローチを実証している。
• 参考スコア（独自算出の注目度）: 64.16038120159688
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Articulated tool manipulation remains a major challenge in dexterous robotics due to the need to coordinate internal degrees of freedom and contact-rich interactions. While prior work has largely focused on rigid objects, articulated tool use remains underexplored because of its physical complexity and the difficulty of learning functional grasping and manipulation policies. We present Mana (Manipulation Animator), a general sim-to-real framework that reinterprets dexterous manipulation as an animation problem. Inspired by computer animation, Mana employs a coarse-to-fine pipeline that transforms procedurally-generated grasp keyframes into manipulation trajectories through motion planning and reinforcement learning. The data generation process is largely automatic, requiring only a few mouse clicks to specify functional affordances (<1 minute per tool). Across four articulated tools spanning different scales and joint types, Mana achieves zero-shot sim-to-real transfer for both grasping and in-hand manipulation, demonstrating a scalable approach to dexterous articulated tool use.
• Abstract（参考訳）: 人工道具の操作は、内的自由度や接触に富む相互作用を調整する必要があるため、デキスタラスロボティクスにおいて依然として大きな課題である。 以前の研究は主に剛体物体に焦点が当てられていたが、その物理的複雑さと機能的把握と操作ポリシーの習得の難しさにより、手話の道具の使用は未熟なままである。 本稿では,デクスタラス操作をアニメーション問題として再解釈する汎用のsim-to-realフレームワークであるManaについて述べる。 コンピュータアニメーションにインスパイアされたManaは、粗いパイプラインを使って、手続き的に生成されたキーフレームを、モーションプランニングと強化学習を通じて操作する。 データ生成プロセスは大部分が自動で、機能的な余裕(ツール1つにつき1分)を指定するためにマウスクリックを数回だけ必要とします。 異なるスケールとジョイントタイプにまたがる4つの調音ツールの中で、マナは把握と手動操作の両方でゼロショットのシミュレートを実現し、巧妙な調音ツール使用に対するスケーラブルなアプローチを実証している。

関連論文リスト

• UniHM: Unified Dexterous Hand Manipulation with Vision Language Model [39.2419824041854]
  身体的に実現可能な器用な手操作を計画することは、ロボット操作と身体的AIにおける中心的な課題である。 自由形式の言語コマンドで案内される手操作を統一する最初のフレームワークであるUniHMを紹介する。
  論文  参考訳（メタデータ） (2026-02-28T16:37:11Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos [56.64773686434068]
  DexImitは、人間の操作映像を物理的に妥当なロボットデータに変換する自動フレームワークである。 DexImitは、インターネットまたはビデオ生成モデルから、人間のビデオに基づいて大規模なロボットデータを生成することができる。 ツールの使用、長距離タスク、きめ細かい操作を含む多様な操作タスクを処理できる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:02Z)
• MimicFunc: Imitating Tool Manipulation from a Single Human Video via Functional Correspondence [18.953496415412335]
  人間のビデオからツールを操作することは、ロボットを教えるための直感的なアプローチを提供する。 関数フレームとの関数対応を確立するフレームワークであるMimicFuncを提案する。 MimicFuncは、単一のRGB-Dビデオから新しいツールを操作するためのスキルを効果的に一般化する。
  論文  参考訳（メタデータ） (2025-08-19T05:49:47Z)
• 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)
• ManipTrans: Efficient Dexterous Bimanual Manipulation Transfer via Residual Learning [24.675197489823898]
  シミュレーションにおいて,ヒトの両腕のスキルを手指に伝達する新しい手法であるManipTransを紹介した。 実験によると、ManipTransは成功率、忠実度、効率性において最先端の手法を超越している。 DexManipNetという大規模なデータセットも作成しています。
  論文  参考訳（メタデータ） (2025-03-27T17:50:30Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• Learning Granularity-Aware Affordances from Human-Object Interaction for Tool-Based Functional Dexterous Grasping [27.124273762587848]
  オブジェクトの付加的な特徴は、エージェントとオブジェクト間の機能的な相互作用のブリッジとして機能する。 機能的空き地を特定するための粒度対応型空き地特徴抽出法を提案する。 握り動作の予測には手動物体間相互作用領域で高活性な粗粒度機能を用いる。 GAAF-Dexは、人間と物体の相互作用からグラニュラリティ・アウェア・アフォーダンスを学習する完全なフレームワークである。
  論文  参考訳（メタデータ） (2024-06-30T07:42:57Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Learning Dexterous Grasping with Object-Centric Visual Affordances [86.49357517864937]
  控えめなロボットハンドは、機敏さと人間のような形態をアピールしています。 本稿では,厳密な把握を学習するためのアプローチを提案する。 私たちのキーとなるアイデアは、オブジェクト中心の視覚的余裕モデルを深い強化学習ループに埋め込むことです。
  論文  参考訳（メタデータ） (2020-09-03T04:00:40Z)

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。