論文の概要: DexTele: A Dual-Arm Dexterous Teleoperation System Based on Motion Retargeting and Adaptive Force Control
- arxiv url: http://arxiv.org/abs/2607.05883v1
- Date: Tue, 07 Jul 2026 06:27:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.410449
- Title: DexTele: A Dual-Arm Dexterous Teleoperation System Based on Motion Retargeting and Adaptive Force Control
- Title（参考訳）: DexTele:モーションリターゲティングと適応力制御に基づくデュアルアームデクスタラス遠隔操作システム
- Abstract要約: 動作制御と適応力制御に基づく両腕デキスタラス遠隔操作システムを提案する。
視覚ベースのモーションモジュールは、人間の画像から予備的なロボットの動きを生成するように設計されている。
適応的把握モジュールは、適合的な把握を実現するように設計されている。
- 参考スコア（独自算出の注目度）: 8.912547960725869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In dual-arm dexterous teleoperation, cross-platform generalization of motion retargeting and interactivity of grasping are crucial. However, the heterogeneity of robotic architectures and the wide variety of grasping objects pose significant challenges to achieving precise motion retargeting and compliant grasping in dual-arm dexterous teleoperation. To address these challenges, a dual-arm dexterous teleoperation system (DexTele) is proposed based on motion retargeting and adaptive force control. First, a vision-based motion retargeting module is designed to generate preliminary robot motions from human images. In this module, a motion-graph encoder and latent optimization are proposed for precise and convenient cross-platform motion retargeting. Second, an adaptive grasping module is designed to achieve compliant grasping. This module combines a vision-language model (VLM) with model predictive control (MPC), allowing the system to predict the required grasping force for a target object and perform gradient-based online optimization. Finally, extensive experiments demonstrate that the DexTele achieves precise motion retargeting and compliant grasping with generalization across multiple robot platforms.
- Abstract（参考訳）: 両腕のデキスタラス遠隔操作では、モーションリターゲティングのクロスプラットフォームの一般化と把握の相互作用が重要である。
しかし,ロボット・アーキテクチャの異質性や多種多様な把握対象は,両腕の遠隔操作において,正確な動きの再ターゲティングとコンプライアンス・グリーピングを実現する上で重要な課題となっている。
これらの課題に対処するために、モーションリターゲティングと適応力制御に基づいて、デュアルアームデキスタラス遠隔操作システム(DexTele)を提案する。
まず、視覚に基づくモーションリターゲティングモジュールは、人間の画像から予備的なロボットの動きを生成するように設計されている。
本モジュールでは, 動きグラフエンコーダと潜時最適化を, 高精度かつ便利なクロスプラットフォームモーションリターゲティングのために提案する。
第二に、適応的把握モジュールは、従順な把握を実現するように設計されている。
このモジュールは視覚言語モデル (VLM) とモデル予測制御 (MPC) を組み合わせることで、システムは対象物に必要な把握力を予測し、勾配に基づくオンライン最適化を行う。
最後に、DexTeleは、複数のロボットプラットフォームにまたがる一般化による正確な動きの再ターゲティングとコンプライアンスの把握を実現することを実証した。
関連論文リスト
- X-OP: Cross-Morphology Whole-Body Teleoperation via MPC Retargeting [3.134050607080983]
全体遠隔操作は、ロコ操作タスクにおけるスケーラブルなロボットデータ収集に不可欠である。
単一のXRデバイスによって駆動される階層的な全身遠隔操作フレームワークを提案する。
我々は,ヒューマノイドと移動マニピュレータの双方において,全身制御タスクにおいて高い成功率を示す。
論文 参考訳（メタデータ） (2026-06-06T01:50:59Z) - Tele-Catch: Adaptive Teleoperation for Dexterous Dynamic 3D Object Catching [30.78650584795827]
本稿では,動的物体捕集における手動遠隔操作の体系的枠組みであるTele-Catchを提案する。
その中核となるDAIMは,グローブベースの遠隔操作信号を拡散政策決定プロセスに融合させることにより,共有自律性を実現する動的適応統合機構である。
実験により、テレキャッチは動的捕集タスクの精度と堅牢性を著しく向上し、また、別個の器用な手具や以前は見つからなかった物体のカテゴリ間で一貫した利得を示した。
論文 参考訳（メタデータ） (2026-03-30T13:34:14Z) - DreamVideo-Omni: Omni-Motion Controlled Multi-Subject Video Customization with Latent Identity Reinforcement Learning [82.28800081483224]
我々は,Omniモーション制御による多目的カスタマイズを実現する統合フレームワークであるDreamVideo-Omniを提案する。
複数対象のあいまいさを解決するために,グループとロールの埋め込みを導入し,特定のアイデンティティに移動信号を明示的に固定する。
これは、人間の嗜好に沿ったアイデンティティ保存を優先して、潜在空間における動き認識ID報酬を提供する。
論文 参考訳（メタデータ） (2026-03-12T17:59:12Z) - InCoM: Intent-Driven Perception and Structured Coordination for Whole-Body Mobile Manipulation [36.51938252277959]
全身移動操作のための意図駆動型認識と構造化協調フレームワークInCoMを提案する。
InCoMは、動的にマルチスケールの知覚的特徴を重み付けする潜在動作意図を推論し、知覚的注意の段階適応的アロケーションを可能にする。
InCoMは3つのManiSkill-HABシナリオの最先端手法を28.2%、26.1%、23.6%で上回ります。
論文 参考訳（メタデータ） (2026-02-26T14:03:58Z) - UniMotion: A Unified Motion Framework for Simulation, Prediction and Planning [60.55873455475112]
動作タスク間の共有構造をキャプチャする統合モーションフレームワークUniMotionを提案する。
UniMotionは、これらの動作タスクを同時にサポートするために、専用のインタラクションモードと調整されたトレーニング戦略を採用している。
さらなる微調整により、UniMotionはさまざまな動作タスクにおける最先端のパフォーマンスを達成し、自動運転のための汎用的でスケーラブルなソリューションとして確立する。
論文 参考訳（メタデータ） (2026-01-31T07:12:26Z) - EchoMotion: Unified Human Video and Motion Generation via Dual-Modality Diffusion Transformer [64.69014756863331]
本研究では,外見と人間の動作の同時分布をモデル化するフレームワークであるEchoMotionを紹介する。
また,ビデオトークンとモーショントークンの両方に3次元位置符号化を統一したMVS-RoPEを提案する。
以上の結果から,人間の動きを明示的に表現することは出現することであり,人間中心のビデオ生成のコヒーレンスと妥当性を著しく向上させることが判明した。
論文 参考訳（メタデータ） (2025-12-21T17:08:14Z) - DeMo++: Motion Decoupling for Autonomous Driving [41.6423398623095]
動作意図を2つの異なるコンポーネントに分離するフレームワークであるDeMo++を提案する。
隣接するシーンにおける動き間の関係を探索するために,クロスシーンの軌道間相互作用機構を導入する。
DeMo++は、モーション予測(Argoverse 2とnuScenes)、モーション計画(nuPlan)、エンドツーエンド計画(SIM)など、さまざまなベンチマークで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-07-23T09:11:25Z) - Phoenix: A Motion-based Self-Reflection Framework for Fine-grained Robotic Action Correction [10.38090975412416]
ロボットが障害から回復するためには、一般化可能な自己補正システムの構築が不可欠である。
我々は,高レベルな意味的反射と低レベルなロボット動作補正を接続するブリッジとして動作指示を利用するPhoenixフレームワークを構築した。
RoboMimicシミュレーションと実世界のシナリオの両方で実施された実験は、我々のフレームワークのより優れた一般化とロバスト性を証明する。
論文 参考訳（メタデータ） (2025-04-20T12:30:43Z) - ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。
Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。
モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
論文 参考訳（メタデータ） (2025-03-27T16:39:40Z) - MotionGPT-2: A General-Purpose Motion-Language Model for Motion Generation and Understanding [76.30210465222218]
MotionGPT-2は、MLMLM(Large Motion-Language Model)である。
LLM(Large Language Models)によるマルチモーダル制御をサポートしている。
難易度の高い3次元全体運動生成タスクに高い適応性を持つ。
論文 参考訳（メタデータ） (2024-10-29T05:25:34Z) - Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。
我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。
本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
論文 参考訳（メタデータ） (2023-06-01T07:48:34Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳（メタデータ） (2020-08-18T08:05:15Z)
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。