論文の概要: AnyDexRT: Calibration-Free Dexterous Hand Retargeting with Few-Shot Human Guidance

• arxiv url: http://arxiv.org/abs/2607.08341v1
• Date: Thu, 09 Jul 2026 10:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.50337
• Title: AnyDexRT: Calibration-Free Dexterous Hand Retargeting with Few-Shot Human Guidance
• Title（参考訳）: AnyDexRT: カリビアレーションフリーのデクサラスハンド、人力誘導でリターゲット
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 52.973947477815614
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teleoperation is a key interface for controlling dexterous robotic hands and collecting demonstrations for imitation learning. Its effectiveness largely depends on kinematic retargeting, which maps operator hand motions to feasible and intuitive robot hand motions. Existing methods often require hand-crafted objectives, precise calibration, or global shape matching between human and robot hand spaces, making them sensitive to hand-specific tuning and less reliable across different dexterous hands. We propose AnyDexRT, a calibration-free retargeting method for intuitive dexterous teleoperation across human-like dexterous hands. AnyDexRT combines self-supervised fingertip correspondence learning with few-shot human guidance to anchor the mapping in task-relevant regions, and further refines pinch-related poses using a contact classifier. Experiments on diverse dexterous hands and real-world teleoperation tasks show that AnyDexRT improves retargeting quality, reduces manual tuning, and provides more intuitive and efficient control than prior retargeting methods. Project website: https://chenxi-wang.github.io/projects/anydexrt
• Abstract（参考訳）: 遠隔操作は、器用なロボットハンドを制御し、模倣学習のためのデモを集めるための重要なインターフェースである。 その有効性は、操作者の手の動きを、実用的で直感的なロボットの手の動きにマッピングするキネマティック・リターゲティングに大きく依存する。 既存の方法は、手作りの目的、精密な校正、人間とロボットのハンドスペース間のグローバルな形状マッチングを必要とすることが多く、手作りのチューニングに敏感であり、異なる器用な手間での信頼性が低い。 そこで我々は,人間の手による直感的外乱遠隔操作のためのキャリブレーションフリーリターゲティング手法であるAnyDexRTを提案する。 AnyDexRTは、自己教師型指先対応学習と、タスク関連領域のマッピングをアンロックするための少数ショットのヒューマンガイダンスを組み合わせて、コンタクト分類器を使用してピンチ関連ポーズをさらに洗練する。 多様な手や実世界の遠隔操作タスクの実験は、AnyDexRTがリターゲティング品質を改善し、手動チューニングを低減し、以前のリターゲティング方法よりも直感的で効率的な制御を提供することを示している。 プロジェクトウェブサイト:https://chenxi-wang.github.io/projects/anydexrt

関連論文リスト

• Teleopit: A Full-Embodiment Humanoid Teleoperation System [3.436474641224862]
  我々は、体、手、信号をVRからヒューマノイド体にマッピングするフルエンボディーメント遠隔操作システムであるTeleopitを紹介した。 ヒストリーエンコーダとフェールアウェア・リウインドサンプリングは、モーションキャプチャーとライブVR参照の両方のモーショントラッカーを改善する。 ACTとGRT N1.7は、Teleopitで収集された96のデモで訓練され、それぞれ90.0%と95.0%のタスク成功率を達成した。
  論文  参考訳（メタデータ） (2026-08-03T07:45:13Z)
• DexMani: Human-Derived Manipulability Guidance for Dexterous Rotation [7.918622126766639]
  デックスマニ(DexMani)は、人間の実演を接触条件によるマニピュラビリティの進化として伝達するフレームワークである。 DexManiはLEAP Handで平均57.5%の成功率に達し、他のベースラインを上回っ、より滑らかな回転運動を生み出している。
  論文  参考訳（メタデータ） (2026-08-01T09:17:30Z)
• 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)
• Cross-Embodiment Robot Manipulation via a Unified Hand Action Space [5.6990246782356735]
  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。
  論文  参考訳（メタデータ） (2026-07-03T19:19:20Z)
• 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)
• DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos [56.64773686434068]
  DexImitは、人間の操作映像を物理的に妥当なロボットデータに変換する自動フレームワークである。 DexImitは、インターネットまたはビデオ生成モデルから、人間のビデオに基づいて大規模なロボットデータを生成することができる。 ツールの使用、長距離タスク、きめ細かい操作を含む多様な操作タスクを処理できる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:02Z)
• ManipTrans: Efficient Dexterous Bimanual Manipulation Transfer via Residual Learning [24.675197489823898]
  シミュレーションにおいて,ヒトの両腕のスキルを手指に伝達する新しい手法であるManipTransを紹介した。 実験によると、ManipTransは成功率、忠実度、効率性において最先端の手法を超越している。 DexManipNetという大規模なデータセットも作成しています。
  論文  参考訳（メタデータ） (2025-03-27T17:50:30Z)
• AnyDexGrasp: General Dexterous Grasping for Different Hands with Human-level Learning Efficiency [49.868970174484204]
  我々は,最小限のデータを用いてきめ細やかな把握を学習するための効率的なアプローチを提案する。 提案手法は,40個の訓練対象に対して数百のグリップ試行を行うだけで,人間レベルの学習効率で高い性能を達成できる。 この方法は、ヒューマノイドロボット、人工装具、その他頑丈で汎用的なロボット操作を必要とする領域に対する有望な応用を実証する。
  論文  参考訳（メタデータ） (2025-02-23T03:26:06Z)
• 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)
• DexVIP: Learning Dexterous Grasping with Human Hand Pose Priors from Video [86.49357517864937]
  DexVIPは,人間と物体のインタラクションビデオから,器用なロボットの把握を学習する手法である。 我々は、人間とオブジェクトのインタラクションビデオから把握した画像をキュレートし、エージェントの手のポーズに先行する。 DexVIPは、手ポーズの無い既存のアプローチや、特殊な遠隔操作機器に頼っている既存のアプローチと良好に比較できることを実証する。
  論文  参考訳（メタデータ） (2022-02-01T00:45:57Z)

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。