論文の概要: Human Universal Grasping

• arxiv url: http://arxiv.org/abs/2606.17054v1
• Date: Mon, 15 Jun 2026 17:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 18:36:05.193124
• Title: Human Universal Grasping
• Title（参考訳）: ユニバーサルグラスピング
• Authors: Kevin Yuanbo Wu, Tianxing Zhou, Isaac Tu, Billy Yan, Irmak Guzey, David Fouhey, Dandan Shan, Lerrel Pinto,
• Abstract要約: 人間は力ずくで物体をつかむことができるが、多指ロボットはこのレベルの一般性からは程遠い。 本稿では,1枚のRGB-D画像中の任意のユーザ指定オブジェクトに対して,多様な人間の握力を生成するフローマッチングモデルHUGを提案する。 我々は,HUG-Benchの30オブジェクトテストセットを,複数のステレオカメラ,ロボットエボディメント,家庭用環境で実世界において評価した。
• 参考スコア（独自算出の注目度）: 19.449458562103846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humans can grasp objects effortlessly, whereas multi-fingered robots are far from this level of generality. We argue that the most natural source of robot grasping data is from humans, who pick up thousands of objects every day. We present HUG, a flow-matching model that generates diverse human grasps for any user-specified object in a single RGB-D image captured from a stereo camera. Using smart glasses, we first collect 1M-HUGs, an egocentric dataset of human grasps spanning 1M frames (27.8 hrs) and 6,707 object instances across 41 buildings. Next, to model the distribution of natural human grasps, our novel flow-matching model fuses RGB and depth observations to output a grasp parameterized by wrist translation, wrist rotation, and MANO hand pose. Predicted grasps can be retargeted to various robot hands, enabling zero-shot grasping in everyday scenes. To standardize evaluation, we build a new simulated benchmark, HUG-Bench, of 90 unseen objects from five geometric categories and various sizes, with metric-scale 3D meshes. We evaluate HUG in the real world on the 30-object test set of HUG-Bench across multiple stereo cameras, robot embodiments, and household environments. HUG outperforms the state-of-the-art grasping baselines by +23% and +34% on our challenging object set. Code, data, benchmark, checkpoints, and an interactive demo are released on our website: https://grasping.io/
• Abstract（参考訳）: 人間は力ずくで物体をつかむことができるが、多指ロボットはこのレベルの一般性からは程遠い。 私たちは、データをつかむロボットの最も自然な源は、毎日何千ものオブジェクトを拾う人間のものだと論じています。 本稿では,ステレオカメラから取得した1枚のRGB-D画像において,ユーザ指定オブジェクトに対して多様なヒューマングリップを生成するフローマッチングモデルHUGを提案する。 まず、スマートグラスを使って、1Mフレーム(27.8 hrs)と6,707のオブジェクトインスタンスにまたがる、人間中心の把握データセットである1M-HUGを収集する。 次に,人間の自然な握力の分布をモデル化するために,新しいフローマッチングモデルによりRGBと深度観測を融合させ,手首翻訳,手首回転,MANOハンドポーズによってパラメータ化されたグリップを出力する。 予測された把握はさまざまなロボットの手に再ターゲティングされ、日常のシーンではゼロショットの把握が可能となる。 評価を標準化するために,5つの幾何学的カテゴリと様々な大きさの90個の未知の物体から,計量スケールの3Dメッシュを用いて,新しいシミュレーションベンチマークHUG-Benchを構築した。 我々は,HUG-Benchの30オブジェクトテストセットを,複数のステレオカメラ,ロボットエボディメント,家庭用環境で実世界において評価した。 HUGは最先端の把握ベースラインを+23%、+34%で上回ります。 コード、データ、ベンチマーク、チェックポイント、インタラクティブなデモは、私たちのWebサイトでリリースされています。

関連論文リスト

• GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors [113.71148915419246]
  GRAILは3Dアセット、シミュレーター対応シーン、およびビデオファンデーションモデル(VFM)の先行データで構成され、物理的環境を再構築したりロボットを遠隔操作したりすることなく対話を合成するデジタル生成パイプラインである。 GRAILは、オブジェクト形状、カメラパラメータ、メートル法スケール、環境深度、ロボットが提案する文字がビデオ生成の前に知られ、再構成中に再利用される、完全に定義された3D構成から始まる。 我々は、回復した動作をヒューマノイドロボットに再ターゲティングし、補完的なタスク・ジェネラル・モルフォロジー・トラッカーを訓練する。 GRAILは、ピックアップ、オブジェクト操作、着座にまたがる2万以上のシーケンスを生成する
  論文  参考訳（メタデータ） (2026-06-03T17:57:45Z)
• Towards Motion Turing Test: Evaluating Human-Likeness in Humanoid Robots [54.54929302887405]
  15のアクションカテゴリにまたがる1000のモーションシーケンスからなるHuman-Humanoid Motionデータセットを提案する。 すべてのモーションシーケンスは、視覚的外観の影響を排除するためにSMPL-X表現に変換される。 収集したデータから、ヒューマノイドの動きが人間の動きと顕著なずれを示すことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-06T11:40:56Z)
• EmbodMocap: In-the-Wild 4D Human-Scene Reconstruction for Embodied Agents [85.77432303199176]
  EmbodMocapは2つの動くiPhoneを使ったポータブルで安価なデータ収集パイプラインである。 私たちのキーとなるアイデアは、二重RGB-Dシーケンスを共同で校正し、人間とシーンの両方を再構築することです。 収集したデータに基づいて、我々は3つの具体的AIタスクを強化した: モノクラーヒューマン・シーン・リコンストラクション(モノクラーヒューマン・シーン・リコンストラクション)、メトリックスケールで世界空間に整合した人間とシーンを出力するフィードフォワードモデル、物理ベースのキャラクターアニメーション。
  論文  参考訳（メタデータ） (2026-02-26T16:53:41Z)
• Dexterity from Smart Lenses: Multi-Fingered Robot Manipulation with In-the-Wild Human Demonstrations [52.29884993824894]
  自然環境で日々のタスクを行う人間から、マルチフィンガーロボットポリシーを学ぶことは、ロボットコミュニティにとって長年の大きな目標だった。 AINAは、Aria Gen 2メガネを使用して、どこでも、どこでも、あらゆる環境で収集されたデータから、マルチフィンガーポリシーを学ぶことができる。
  論文  参考訳（メタデータ） (2025-11-20T18:59:02Z)
• Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
  本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。 まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。 この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。 両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
  論文  参考訳（メタデータ） (2024-09-26T17:57:16Z)
• BEHAVE: Dataset and Method for Tracking Human Object Interactions [105.77368488612704]
  マルチビューのRGBDフレームとそれに対応する3D SMPLとオブジェクトをアノテートしたアノテートコンタクトに適合させる。 このデータを用いて、自然環境における人間と物体を、容易に使用可能なマルチカメラで共同で追跡できるモデルを学ぶ。
  論文  参考訳（メタデータ） (2022-04-14T13:21:19Z)

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。