論文の概要: HUGS: Guiding Unified Dexterous Grasp Synthesis Across Modes and Scales via Learned Human Priors

• arxiv url: http://arxiv.org/abs/2607.04554v1
• Date: Mon, 06 Jul 2026 00:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.978335
• Title: HUGS: Guiding Unified Dexterous Grasp Synthesis Across Modes and Scales via Learned Human Priors
• Title（参考訳）: HUGS: 学習された人間の優先順位を介し、複数のモードとスケールで統一されたデクスタースグラフ合成を誘導する
• Abstract要約: 本稿では,HUGS(Human-prior-guided Unified Dexterous Grasp synthesis)について述べる。 HUGSは人間の直接のデモンストレーションのバランスを取る代わりに、人間の把握の好みを捉えたオブジェクト誘導の人間を学習する。 HUGSでは、3.2Mのロボットグリップを157Kシーンで合成し、2cmから30cmまでの物体の半対角距離と、2本指から2本指のグリップのモードを合成する。
• 参考スコア（独自算出の注目度）: 16.091967944555382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dexterous grasping across diverse object scales requires contact modes ranging from two-finger pinches to bimanual grasps. Existing dexterous grasp synthesis methods reduce the high-dimensional optimization space with manually designed expected contacts and initialization heuristics, which struggle to balance synthesis success rate and diversity. We present HUGS (Human-prior-guided Unified Dexterous Grasp Synthesis), a human-prior-guided framework for unified dexterous grasp synthesis across modes and scales. Instead of directly retargeting human demonstrations, HUGS learns an object-conditioned human prior that captures human grasp preferences and guides downstream force-closure-aware optimization. The prior is trained on a compact self-collected human grasp dataset with 1.8K grasps over 304 objects, providing broad coverage of object scales and contact modes. During synthesis, HUGS adaptively proposes contact modes and wrist initializations, substantially improving the balance between contact-mode coverage and synthesis success rate over heuristic-based methods. With HUGS, we synthesize 3.2M robotic grasps over 157K scenes, spanning object half-diagonal lengths from 2 cm to 30 cm and modes from two-finger to bimanual grasps. Models trained on the synthesized dataset autonomously select appropriate contact modes in the real world, enabling grasping from screws to large boxes.
• Abstract（参考訳）: 様々な物体のスケールをまたいだデクスタースグリップは、2本のフィンガーピンチからバイマングリップまでの接触モードを必要とする。 既存の厳密なグリップ合成法は、手動で設計した予測接触と初期化ヒューリスティックによって高次元の最適化空間を減らし、合成の成功率と多様性のバランスをとるのに苦労する。 本稿では,HUGS(Human-prior-guided Unified Dexterous Grasp Synthesis)について述べる。 HUGSは、人間のデモを直接ターゲットする代わりに、人間の把握の好みを捉え、下流の強制閉鎖を意識した最適化をガイドするオブジェクト条件の人間を事前に学習する。 前者は、1.8Kが304以上のオブジェクトを把握し、オブジェクトのスケールと接触モードを広範囲にカバーする、コンパクトな自己コンパイルされた人間のグリップデータセットでトレーニングされている。 合成中、HUGSは接触モードと手首初期化を適応的に提案し、ヒューリスティック法よりも接触モードカバレッジと合成成功率のバランスを大幅に改善した。 HUGSでは、3.2Mのロボットグリップを157Kシーンで合成し、2cmから30cmまでの物体の半対角距離と、2本指から2本指のグリップまでのモードを合成する。 合成データセットでトレーニングされたモデルは、現実世界で適切な接触モードを自律的に選択し、ネジから大きなボックスへの把握を可能にする。

関連論文リスト

• 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)
• FSAG: Enhancing Human-to-Dexterous-Hand Finger-Specific Affordance Grounding via Diffusion Models [11.581489292735418]
  デクサラスグリップ合成は機能的意図と物理的実現性を満たす必要があるが、既存のパイプラインはしばしば洗練からセマンティックグラウンドを分離する。 本研究では、事前学習された生成拡散モデルにおいて、対象中心のセマンティックな事前情報を活用することで、ロボットの把握データ収集を回避できるデータ効率フレームワークを提案する。 この結果は,人間の実演と事前学習した生成モデルによって駆動される,スケーラブルでハードウェアに依存しないデキスタラスな操作への道のりを浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-13T06:08:56Z)
• UniSH: Unifying Scene and Human Reconstruction in a Feed-Forward Pass [83.7071371474926]
  UniSHは、統合されたフィードフォワードフレームワークで、共同でメートルスケールの3Dシーンと人間の再構築を行う。 我々のフレームワークは、シーン再構築とHMRとの違いを強く橋渡しします。 本モデルは,人間中心のシーン再構築における最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-01-03T16:06:27Z)
• Decoupled Generative Modeling for Human-Object Interaction Synthesis [35.78156236836254]
  既存のアプローチでは、しばしば手動で指定した中間のウェイポイントを必要とし、最適化の目的を1つのネットワークに配置する。 DecHOI(Decoupled Generative Modeling for Human-Object Interaction Synthesis)を提案する。 軌道生成装置は、まず、所定のウェイポイントを伴わずに人や物体の軌道を生成し、これらの経路に作用生成条件を設けて詳細な動作を合成する。
  論文  参考訳（メタデータ） (2025-12-22T05:33:59Z)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• Dexonomy: Synthesizing All Dexterous Grasp Types in a Grasp Taxonomy [9.410122262752205]
  知能ロボットの基本技術として,適切な把握型による汎用的デクスタラスグリップが重要である。 既存の自動グリップ合成法は、特定のグリップタイプやオブジェクトカテゴリに限られることが多い。 本研究は, 接触量の多い, 浸透性のない, 物理的に妥当なグリップを, 任意のグリップタイプ, 物体, 明瞭な手に対して合成可能な, 効率的なパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-04-26T07:32:59Z)
• Scaling Laws of Synthetic Data for Language Models [125.41600201811417]
  プレトレーニングコーパスを多種多様な高品質な合成データセットに変換するスケーラブルなフレームワークであるSynthLLMを紹介した。 提案手法は,グラフアルゴリズムを用いて複数の文書にまたがるハイレベルな概念を自動的に抽出し,再結合することで実現している。
  論文  参考訳（メタデータ） (2025-03-25T11:07:12Z)
• Scaling Up Dynamic Human-Scene Interaction Modeling [58.032368564071895]
  TRUMANSは、現在利用可能な最も包括的なモーションキャプチャーHSIデータセットである。 人体全体の動きや部分レベルの物体の動きを複雑に捉えます。 本研究では,任意の長さのHSI配列を効率的に生成する拡散型自己回帰モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-13T15:45:04Z)
• SynBody: Synthetic Dataset with Layered Human Models for 3D Human Perception and Modeling [93.60731530276911]
  我々は3つの魅力的な特徴を持つ新しい合成データセット、SynBodyを紹介した。 データセットは、正確な3Dアノテーションを備えた1.2Mイメージで構成され、1万の人体モデル、1,187のアクション、さまざまな視点をカバーしている。
  論文  参考訳（メタデータ） (2023-03-30T13:30:12Z)

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。