論文の概要: Cross-Embodiment Robot Manipulation via a Unified Hand Action Space

• arxiv url: http://arxiv.org/abs/2607.03570v1
• Date: Fri, 03 Jul 2026 19:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 12:36:07.292583
• Title: Cross-Embodiment Robot Manipulation via a Unified Hand Action Space
• Title（参考訳）: 統一ハンドアクション空間によるクロス・エボディメント・ロボットの操作
• Abstract要約: 本研究では,球面をベースとした複合動作表現法を提案する。 実験により,提案したUHAS表現は,ロボットハンド間における安定なデキスタラス制御とクロス・エボディメント・ポリシーの伝達を可能にすることが示された。
• 参考スコア（独自算出の注目度）: 5.6990246782356735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot manipulation policies are typically tied to specific robotic hand embodiments, limiting the transfer of learned behaviors across platforms with different kinematic structures. In this work, we propose the Unified Hand Action Space (UHAS), a sphere-based unified action representation for cross-embodiment dexterous manipulation. UHAS represents robotic hand actions as geometric deformations of a canonical sphere and uses a Cascade Inverse Kinematics (CIK) algorithm to map the shared representation to embodiment-specific joint configurations. Using reinforcement learning, we train dexterous manipulation policies directly in the proposed action space for in-hand cube reorientation tasks. We evaluate our method in both simulation and real-world experiments across multiple robotic hands, including the Allegro Hand, LEAP Hand, Shadow Hand, and MANO Human Hand. Experimental results demonstrate effective dexterous manipulation, zero-shot transfer to unseen hands, rapid finetuning across embodiments, and successful real-world deployment. Our experiments show that the proposed UHAS representation enables stable dexterous control and cross-embodiment policy transfer across robotic hands.
• Abstract（参考訳）: ロボット操作のポリシーは、通常、特定のロボットハンドの具体化と結びついており、異なる運動構造を持つプラットフォーム間の学習行動の移動を制限する。 本研究では,球面をベースとした複合動作表現であるUnified Hand Action Space (UHAS)を提案する。 UHASは、ロボットハンドアクションを標準球の幾何学的変形として表現し、共有表現をエンボディメント固有の関節構成にマッピングするためにカスケード逆運動学(CIK)アルゴリズムを使用する。 強化学習を用いて,提案する動作空間において,手動立方体再配置タスクに対して,厳密な操作ポリシーを直接訓練する。 我々は、Alregro Hand、LEAP Hand、Shadow Hand、MANO Human Handを含む複数のロボットハンドのシミュレーションおよび実世界の実験において、本手法の評価を行った。 実験の結果は、効果的なデキスタラスな操作、目に見えない手へのゼロショット転送、エボディメントの高速微調整、実世界の展開の成功を示している。 実験により,提案したUHAS表現は,ロボットハンド間における安定なデキスタラス制御とクロス・エボディメント・ポリシーの伝達を可能にすることが示された。

関連論文リスト

• X-WBC: A Cross-Embodiment Foundation Model for Humanoid Whole-Body Control [9.11598874129235]
  ヒューマノイド全体のコントロールをスケールするには、大きな人間の運動コーパスと、ロボット本体間で共有されるトレーニング経験が必要である。 X-WBCは、比較的共有された人間の動作意味論とエンボディメント固有の身体的実行を分離する、クロスボデーメント基盤フレームワークである。
  論文  参考訳（メタデータ） (2026-09-14T08:34:48Z)
• AdvDex: Learning Dexterous Manipulation from Human Demonstrations via Joint-Aligned Actions and Adversarial Learning [25.241504281004243]
  本稿では,人間とロボットのデモから,器用な操作を学ぶためのフレームワークであるAdvDexを紹介する。 まず、人間の操作デモの大規模マルチモーダルデータセットであるOmniShareを紹介する。 第2に,手首ポーズが$mathrmSE(3)$および15指関節からなる標準動作表現であるJAAS(Joint-Aligned Action Space)を提案する。 第3に,学習した視覚表現における具体的情報を減らすために,ドメイン・アドバイサル・ラーニングを用いる。
  論文  参考訳（メタデータ） (2026-08-14T07:19:06Z)
• Towards Human-level Dexterous Teleoperation [62.77371751776912]
  人レベルのデキスタラス遠隔操作は、動的手動物体接触による物体の動きを正確に制御する必要がある。 我々は,操作者の意図を学習された低レベルのコンタクト実行にマッピングするハンドオブジェクト・コトラッキング・コントローラであるTeleDexterを紹介した。 我々はTeleDexterを、物体の向きを変える7つの難易度遠隔操作タスクと、両手にわたる長距離ツールを用いて評価した。
  論文  参考訳（メタデータ） (2026-07-13T12:36:47Z)
• AnyDexRT: Calibration-Free Dexterous Hand Retargeting with Few-Shot Human Guidance [52.973947477815614]
  AnyDexRT は人のような器用な手間で直感的な器用な遠隔操作を行うキャリブレーションのない手法である。 実験によると、AnyDexRTは品質を改善し、手動チューニングを減らし、従来の方法よりも直感的で効率的な制御を提供する。
  論文  参考訳（メタデータ） (2026-07-09T10:29:53Z)
• 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)
• Cross-Hand Latent Representation for Vision-Language-Action Models [49.32460749933983]
  器用な操作のための信頼性の高い視覚言語アクションモデルを訓練するには、多くのロボットハンドにわたる大規模な実演が必要である。 XL-VLAは視覚・言語・アクション・フレームワークであり,多種多様な手間で共有される潜在行動空間と統合される。
  論文  参考訳（メタデータ） (2026-03-10T18:50:57Z)
• 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)
• Trajectory Conditioned Cross-embodiment Skill Transfer [17.361383693716643]
  TrajSkillは、Trajectory Conditioned Cross-Embodiment Skill Transferのフレームワークである。 トラジスキルは最先端技術と比較してFVDを39.6%、KVDを36.6%削減することを示した。
  論文  参考訳（メタデータ） (2025-10-09T04:26:06Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• 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)
• From Human Hands to Robotic Limbs: A Study in Motor Skill Embodiment for Telemanipulation [3.7482358401236398]
  本稿では,GRUに基づく変分オートエンコーダを提案し,マニピュレータの構成空間の潜在表現を学習する。 完全に接続されたニューラルネットワークは、人間の腕の配置をこの潜伏空間にマッピングし、システムは対応するマニピュレータの軌道をリアルタイムで模倣して生成することができる。
  論文  参考訳（メタデータ） (2025-02-04T05:52:57Z)
• Learning to Transfer Human Hand Skills for Robot Manipulations [12.797862020095856]
  本稿では,人間の手の動きのデモから,ロボットに巧妙な操作課題を教える方法を提案する。 本手法では,人間の手の動き,ロボットの手の動き,物体の動きを3Dでマッピングする関節運動多様体を学習し,ある動きを他者から推測する。
  論文  参考訳（メタデータ） (2025-01-07T22:33:47Z)
• Cross-Embodiment Dexterous Grasping with Reinforcement Learning [29.867524903691802]
  デクスタースハンドは、複雑な現実世界の把握タスクに重要な可能性を秘めている。 本研究では,強化学習を用いたクロス・エボディーズ・デクスタラス・グリーティング・ポリシーの学習について検討する。 提案手法は,YCBデータセットからオブジェクトを把握した場合の80%の成功率を示す。
  論文  参考訳（メタデータ） (2024-10-03T13:36:02Z)
• RealDex: Towards Human-like Grasping for Robotic Dexterous Hand [64.33746404551343]
  本稿では,人間の行動パターンを取り入れた手の動きを正確に把握する先駆的データセットであるRealDexを紹介する。 RealDexは、現実のシナリオにおける認識、認識、操作を自動化するためのヒューマノイドロボットを進化させる上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-21T14:59:46Z)
• Zero-Shot Robot Manipulation from Passive Human Videos [59.193076151832145]
  我々は,人間の映像からエージェント非依存の行動表現を抽出するフレームワークを開発した。 我々の枠組みは、人間の手の動きを予測することに基づいている。 トレーニングされたモデルゼロショットを物理ロボット操作タスクにデプロイする。
  論文  参考訳（メタデータ） (2023-02-03T21:39:52Z)

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。