論文の概要: LAMP: Latent Motion Prior-Guided Real-World Learning for Dexterous Hand Manipulation
- arxiv url: http://arxiv.org/abs/2607.06323v1
- Date: Tue, 07 Jul 2026 14:22:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.550683
- Title: LAMP: Latent Motion Prior-Guided Real-World Learning for Dexterous Hand Manipulation
- Title（参考訳）: LAMP: ディクサラスハンドマニピュレーションのための遅延動作事前誘導実世界学習
- Abstract要約: 高次元手動作は模倣誤りを増幅し、強化学習探索を接触破壊運動にもたらす。
我々は、最近のハンドアクション履歴をコンパクトで履歴条件付き潜在モジュールにマッピングする潜在動作先行モジュールを導入する。
Methodは実世界の3段階のデクスタス学習フレームワークで、デモから事前訓練し、ビジュモータポリシーをトレーニングし、オンライン残留RLでポリシーを改善する。
- 参考スコア（独自算出の注目度）: 39.42195733137399
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world learning for dexterous hands remains brittle because high-dimensional hand actions amplify imitation errors and make reinforcement-learning exploration prone to contact-breaking motion. While combining imitation learning (IL) with online reinforcement learning (RL) can reduce manual supervision, unconstrained exploration in raw hand-action spaces is sample-inefficient and risky for physical hardware. We introduce a latent motion prior module (\prior{}) that maps recent hand-action histories to a compact, history-conditioned latent prior and decodes continuous latent commands into executable high-dimensional hand targets. Built on this prior, \method{} is a three-stage real-world dexterous learning framework: it pretrains \prior{} from demonstrations, trains a visuomotor policy that predicts native arm commands and latent hand-action offsets, and improves the policy with online residual RL in the same latent hand-action space. This shared, decodable interface lets residual exploration make local corrections near demonstrated, contact-consistent hand motions rather than perturbing every finger joint independently. We evaluate \method{} on four real-robot dexterous manipulation tasks against raw, linear, and discrete hand-action interfaces. Starting from small task-specific demonstration sets, \method{} achieves a 56.25\% average IL success rate and raises it to 98.75\% after online RL, reaching 100\% final success on three tasks and 95\% on the remaining task.
- Abstract（参考訳）: 高次元の手の動きが模倣の誤りを増幅し、接触動作による強化学習を困難にするため、手指の現実世界の学習は依然として不安定である。
模倣学習(IL)とオンライン強化学習(RL)を組み合わせることで、手動による監督が軽減されるが、生のハンドアクション空間における制約のない探索は、物理的ハードウェアにとってサンプル非効率で危険である。
我々は、最近の手動履歴をコンパクトで履歴条件の潜時命令にマッピングし、連続的な潜時命令を高次元の手対象にデコードする潜時動作前加群(\prior{})を導入する。
デモから \prior{} を事前訓練し、ネイティブアームコマンドと潜在ハンドアクションオフセットを予測するvisuomotor ポリシーをトレーニングし、同じ潜在ハンドアクション空間におけるオンライン残留RLによるポリシーを改善する。
この共有・解離可能なインターフェースは、残余の探査によって、指の関節を独立して摂動させるのではなく、局所的に示される接触一貫性のある手の動きに近づくことができる。
我々は,4つの実ロボットのデクスタラスな操作タスクに対して,生,線形,離散的なハンドアクションインタフェースに対して,<method{} を評価する。
小さなタスク固有のデモセットから始めて、‘method{} は平均 IL 成功率 56.25 % に達し、オンライン RL 以降 98.75 % まで上昇し、3つのタスクで 100.75 % 、残りのタスクで 95 % に達する。
関連論文リスト
- Pre-training Visual Dexterity in Simulation [67.17477115017896]
シミュレーションで完全に収集されたデータを利用するデクスタラスな操作のための事前学習フレームワークを導入する。
5人のオペレーターの助けを借りて、1週間にわたって75時間のマルチタスク・デキスタラスな操作を収集し、配列モデリングの目的に基づいて因果変換器を事前訓練する。
提案手法は,シミュレーション遠隔操作が実世界における創発的操作のトレーニング前情報源として有効なことを示し,学習行動のクローン化方針をゼロから上回る結果を得た。
論文 参考訳（メタデータ） (2026-08-16T20:21:33Z) - 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) - TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation [32.317349412479885]
人手オブジェクトのデモは、参照トラッキングを通じて、デクスタラスラーニング(RL)ポリシーをトレーニングするための高密度な参照動作を提供する。
このような実演をRL政策学習に利用するためには、強化は手ポーズとタスク関連手オブジェクト接触構造を保たなければならない。
TopoRetargetは、さまざまな条件にまたがって単一のパラメータセットを使用するインタラクション保存フレームワークである。
TopoRetargetは、ContactPoseデータセット上のすべてのベースラインに対して、最高のコンタクト精度とアライメントを達成する。
論文 参考訳（メタデータ） (2026-06-15T06:20:46Z) - Perfect Demo Makes Poor Teacher: Learning Robust Alignment from Critical Motion Segments [53.85970147743299]
専門家によるデモンストレーションは、ロボット模倣学習における金の標準であると広く考えられている。
しかし、挿入、積み重ね、アライメントなどのきめ細かい操作のために、私たちは直感的な失敗モードを発見しました。
視覚言語モデルとアクションエキスパートをブリッジする,コンパクトな動的特徴であるSTAIRを導入する。
論文 参考訳（メタデータ） (2026-06-14T04:15:29Z) - RealDexUMI: A Wearable Universal Manipulation Interface for Dexterous Robot Learning [21.875676616617838]
本稿では,共有デキスタラスエンドエフェクタモジュールを中心に構築されたウェアラブルユニバーサル操作インタフェースであるRealDexUMIを紹介する。
手のひら側は、人間の指の入力をロボットハンドのコマンドにマッピングし、リアルタイム、手袋なし、直感的で正確な手操作を可能にする。
論文 参考訳（メタデータ） (2026-06-04T11:28:23Z) - Learning Action Manifold with Multi-view Latent Priors for Robotic Manipulation [67.16145181790522]
本稿では,視覚・言語・行動モデル(VLA)における空間認識と操作の課題に取り組む。
幾何学的ガイダンスに基づいて多視点特徴を整列する幾何誘導型ゲート変換器(G3T)を提案する。
動作学習効率を向上させるために,有効な動作多様体上での動作を直接予測するアクション・マニフォールド・ラーニング(AML)を導入する。
論文 参考訳（メタデータ） (2026-05-12T09:21:29Z) - Joint-Aligned Latent Action: Towards Scalable VLA Pretraining in the Wild [37.43820830488286]
JALAは,協調型潜在行動学習のための事前学習フレームワークである。
We scale this approach with UniHand-Mix, a 7.5M video corpus (>2,000時間) mixing lab and the-the-wild footage。
実験により、JALAは制御されたシナリオと制約のないシナリオの両方でより現実的な手の動きを生成することが示された。
論文 参考訳（メタデータ） (2026-02-25T09:46:42Z) - DemoBot: Efficient Learning of Bimanual Manipulation with Dexterous Hands From Third-Person Human Videos [17.97841036758043]
この研究は、デュアルアームのマルチフィンガーロボットシステムが、単一の注釈のないRGB-Dビデオデモから複雑な操作スキルを取得することができる学習フレームワークであるDemoBotを提示する。
生のビデオデータから手と物体の構造化された運動軌跡を抽出する。
これらの軌道は、接触に富んだ相互作用を通じてそれらを洗練することを学ぶ新しい強化学習(RL)パイプラインの運動先として機能する。
論文 参考訳（メタデータ） (2026-01-04T20:06:01Z) - Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。
本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-07T15:57:00Z) - 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) - VTAO-BiManip: Masked Visual-Tactile-Action Pre-training with Object Understanding for Bimanual Dexterous Manipulation [8.882764358932276]
両手の DoF の高さと協調性のため、ロボット工学における両面的な操作は依然として重要な課題である。
既存の片手操作技術は、人間のデモンストレーションを利用してRL法を誘導するが、複数のサブスキルを含む複雑な双対タスクに一般化できないことが多い。
VTAO-BiManipは,視覚触覚前訓練と物体理解を組み合わせた新しいフレームワークである。
論文 参考訳（メタデータ） (2025-01-07T08:14:53Z) - REBOOT: Reuse Data for Bootstrapping Efficient Real-World Dexterous
Manipulation [61.7171775202833]
本稿では,強化学習による巧妙な操作スキルの学習を効率化するシステムを提案する。
我々のアプローチの主な考え方は、サンプル効率のRLとリプレイバッファブートストラップの最近の進歩の統合である。
本システムでは,実世界の学習サイクルを,模倣に基づくピックアップポリシを通じて学習されたリセットを組み込むことで完遂する。
論文 参考訳（メタデータ） (2023-09-06T19:05:31Z)
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。