論文の概要: AutoDex: An Automated Real-World System for Dexterous Grasping Data Collection

• arxiv url: http://arxiv.org/abs/2606.23689v1
• Date: Mon, 22 Jun 2026 17:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 17:06:24.861308
• Title: AutoDex: An Automated Real-World System for Dexterous Grasping Data Collection
• Title（参考訳）: AutoDex: Dexterous Graspingデータコレクションのためのリアルタイム自動システム
• Authors: Mingi Choi, Gunhee Kim, Jisoo Kim, Taeksoo Kim, Taeyun Ha, Jongbin Lim, Hanbyul Joo,
• Abstract要約: AutoDexは、実世界の自動データ収集システムである。 Allegroで3,593件のトライアルを収集し、100種類のオブジェクトをインスパイアしました。 一致する500トラックのコレクションでは、AutoDexは10.3h、遠隔操作は49.4hを必要とし、スループットは4.8倍向上した。
• 参考スコア（独自算出の注目度）: 46.954167853913965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning robust dexterous grasping requires real-world data that records the physical outcomes of grasp attempts. Such data is hard to obtain at scale: teleoperation yields valid physical outcomes but is slow and operator-biased, while simulation-based generation is cheap and scalable but cannot certify contact validity. A natural solution is to generate candidate grasps and verify them on real hardware, but this scales only if the entire collection loop (perception, execution, labeling, and reset) runs without human intervention. We present AutoDex, an automated real-world data-collection system that closes this loop: for each candidate from a replaceable generator, it localizes the object under severe hand-object occlusion with dense 20-camera perception, executes collision-monitored robot motions, labels lift-and-hold success or failure, and actively resets the object between trials to expose additional candidates across stable poses. The result is a reusable database of physically labeled grasp trials that downstream systems can query by retrieval and feasibility filtering. Using AutoDex, we collect 3,593 grasp trials across Allegro and Inspire hands on 100 diverse objects, with synchronized multi-view observations and robot-state logs. For a matched 500-trajectory collection, AutoDex requires 10.3 h versus 49.4 h for teleoperation, yielding a 4.8x throughput improvement, and grasps retrieved from the AutoDex-validated database succeed 76% versus 34% for simulation-only validation. Code and data will be publicly released.
• Abstract（参考訳）: しっかりとした巧妙なつかみ方を学ぶには、つかむ試みの物理的結果を記録する現実世界のデータが必要である。 遠隔操作は有効な物理的結果をもたらすが、遅く、演算子バイアスがかかる一方、シミュレーションベースの生成は安価でスケーラブルだが、接触の有効性を証明できない。 自然な解決策は、候補の把握を生成し、実際のハードウェア上で検証することだが、これは、コレクションループ全体(パーセプション、実行、ラベル付け、リセット)が人間の介入なしに実行される場合に限りスケールする。 置換可能なジェネレータから各候補を選択可能とする自動現実データ収集システムであるAutoDexは,物体を高密度の20カメラの知覚で重度ハンドオブジェクトのオクルージョンの下でローカライズし,衝突監視ロボットの動きを実行し,昇降・保持成功・失敗をラベル付けし,安定的なポーズで追加候補を公開するための試行間で積極的にリセットする。 その結果、ダウンストリームシステムは検索と実現可能性フィルタリングによってクエリできる、物理的にラベル付けされたグリップトライアルを再利用可能なデータベースとなった。 AutoDexを使って、AlregroとInspireの3,593のグルーピングトライアルを、100の多様なオブジェクトに対して収集する。 一致する500トラックのコレクションでは、AutoDexは遠隔操作には10.3h対49.4hが必要であり、スループットは4.8倍に向上し、AutoDex公認データベースから取得したグリップはシミュレーションのみの検証では76%対34%で成功した。 コードとデータは公開されます。

関連論文リスト

• Learning Actionable Manipulation Recovery via Counterfactual Failure Synthesis [21.197844940385725]
  現在の障害学習パラダイムは、コストと安全性の低い実世界のデータ収集か、シミュレータベースの摂動に依存している。 このフレームワークは,実世界の実演を成功させるのから直接,フォトリアリスティックでファクトファクトファクトのロールアウトを合成するものだ。 生成の世界モデル内でアクションを摂動させることで、Dream2Fixはシミュレータに頼ることなくペアの失敗言語データを生成する。
  論文  参考訳（メタデータ） (2026-03-13T19:02:58Z)
• FeasibleCap: Real-Time Embodiment Constraint Guidance for In-the-Wild Robot Demonstration Collection [3.8103821995386356]
  FeasibleCapはグリップ・イン・ハンドのデータ収集システムだ。 ピック・アンド・プレイス・タスクでは、FeasibleCapはリプレイの成功を改善し、実現不可能なフレーム数を減らす。
  論文  参考訳（メタデータ） (2026-03-08T10:38:43Z)
• UltraDexGrasp: Learning Universal Dexterous Grasping for Bimanual Robots with Synthetic Data [70.96218513410454]
  両面ロボットを用いた普遍的デクスタラスグリップのためのフレームワークであるUltraDexGraspを紹介する。 提案したデータ生成パイプラインは、最適化に基づくグリップ合成と計画に基づくデモ生成を統合する。 我々はUltraDexGrasp-20Mに基づいて、点雲を入力とし、一方向の注意を通してシーン特徴を集約し、制御コマンドを予測する、シンプルで効果的な把握ポリシーを開発した。
  論文  参考訳（メタデータ） (2026-03-05T15:54:21Z)
• RoboTwin 2.0: A Scalable Data Generator and Benchmark with Strong Domain Randomization for Robust Bimanual Robotic Manipulation [52.2244588424002]
  我々は,多様かつ現実的なデータの自動生成のためのスケーラブルなフレームワークであるRoboTwin 2.0を紹介する。 コアとなるRoboTwin-ODは、セマンティックおよび操作関連アノテーションを備えた147カテゴリにわたる771インスタンスのオブジェクトライブラリである。 sim-to-real転送を改善するために、RoboTwin 2.0は5つの軸に沿って構造化された領域ランダム化を適用する。
  論文  参考訳（メタデータ） (2025-06-22T16:26:53Z)
• Combined Physics and Event Camera Simulator for Slip Detection [11.309936820480111]
  本稿では,ロボットアームのカメラグリッパー構成を用いてスリップデータを生成するシミュレーションパイプラインを提案する。 セットアップをいつでも変更でき、繰り返しのプロセスを単純化し、任意に大きなデータセットを生成することができる。
  論文  参考訳（メタデータ） (2025-03-05T14:50:21Z)
• DexGraspNet: A Large-Scale Robotic Dexterous Grasp Dataset for General Objects Based on Simulation [10.783992625475081]
  本稿では,ロボットデキスタラスグルーピングのための大規模シミュレーションデータセットDexGraspNetを提案する。 私たちはShadowHandという、ロボット工学でよく見られる豪華なグリップを使って、5355のオブジェクトに対して123万のグリップを生成します。 GraspIt!が生成した以前のデータセットと比較すると、私たちのデータセットはオブジェクトやグリップだけでなく、多様性や品質も高くなります。
  論文  参考訳（メタデータ） (2022-10-06T06:09:16Z)
• 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)
• CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving [117.87070488537334]
  我々は、ビジョンベース検出器のこの重要な問題を露呈する、CODAという挑戦的なデータセットを導入する。 大規模自動運転データセットで訓練された標準物体検出器の性能は、mARの12.8%以下に著しく低下した。 我々は最先端のオープンワールドオブジェクト検出器を実験し、CODAの新しいオブジェクトを確実に識別できないことを発見した。
  論文  参考訳（メタデータ） (2022-03-15T08:32:56Z)

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。