論文の概要: DexMani: Human-Derived Manipulability Guidance for Dexterous Rotation

• arxiv url: http://arxiv.org/abs/2608.00554v1
• Date: Sat, 01 Aug 2026 09:17:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.769806
• Title: DexMani: Human-Derived Manipulability Guidance for Dexterous Rotation
• Title（参考訳）: DexMani: Dexterous Rotationのための人為的なマニピュラビリティガイダンス
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.918622126766639
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dexterous object rotation is a sequential contact problem: each support, release, and re-contact decision must both produce the desired object motion, and prepare the hand configuration for continued rotation. Existing reinforcement learning methods discover such movement patterns through trial and error on specific robotic hand embodiments, without explicitly accounting for how each contact transition affects the hand's ability to sustain object rotation in subsequent steps. We introduce DexMani, a framework that transfers human demonstrations as contact-conditioned manipulability evolution. This prior captures how successful human contact transitions reshape the object-rotation directions available to the hand. DexMani then learns this manipulability evolution and uses it to guide downstream reinforcement learning, enabling rotation skills to be acquired across robot embodiments with distinct kinematics and active-contact configurations. Across the Shadow Hand, Allegro Hand, and XHand, DexMani achieves the highest success rates in every evaluated setting for both seen and unseen objects. DexMani reaches an average success rate of 57.5% on LEAP Hand, outperforming other baselines and producing smoother rotatory motions. Project site: https://dexmani.github.io
• Abstract（参考訳）: それぞれの支持、放出、再接触決定はどちらも所望の物体の動きを生成し、継続する回転のための手構成を作成する必要がある。 既存の強化学習法は、それぞれの接触遷移がその後のステップで物体の回転を維持する能力にどう影響するかを明示的に考慮することなく、特定のロボットハンドの実施形態に対する試行錯誤を通じてそのような動きパターンを発見する。 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。 この前者は、人間の接触遷移の成功が、手にある物体回転方向を再形成する様子を捉えている。 DexManiはその後、このマニピュラビリティの進化を学習し、下流での強化学習のガイドに利用し、異なるキネマティクスとアクティブな接触構成を持つロボットエボディメントをまたいでローテーションスキルを習得する。 シャドウハンド、アレグロハンド、XHand全体で、デックスマニは、目に見えるものと見えないものの両方で評価されたすべての設定において、最高の成功率を達成する。 デックスマニは、LEAPハンドで平均57.5%の成功率に達し、他のベースラインを上回っ、よりスムーズな回転運動を生み出している。 プロジェクトサイト:https://dexmani.github.io

関連論文リスト

• 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)
• Learning Dexterous Manipulation Using Contact Wrench Guidance From Human Demonstration [31.755221262774935]
  有害なロボット操作は、人間のデモの多さから恩恵を受けることができるが、そのようなデモをロボットポリシーに転送することは依然として困難である。 強化学習による剛体・調音物体の長期操作のためのフレームワークであるCHORD(Robotic Dexterous Manipulation)におけるヒューマンデモからのコンタクトレンチ誘導について述べる。
  論文  参考訳（メタデータ） (2026-06-22T22:54:33Z)
• Mana: Dexterous Manipulation of Articulated Tools [64.16038120159688]
  Manaは、デクスタラス操作をアニメーション問題として再解釈する一般的なsim-to-realフレームワークである。 コンピュータアニメーションにインスパイアされたManaは、手続き的に生成されたグリップを操作軌道に変換する粗いパイプラインを使用している。 Manaは、握りと手操作の両方に対してゼロショットのsim-to-real転送を実現し、巧妙な調音ツール使用に対するスケーラブルなアプローチを実証している。
  論文  参考訳（メタデータ） (2026-06-11T17:59:49Z)
• 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)
• 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)
• Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations [71.15185260689928]
  本研究では,人間による実演を必要とせず,合成データから汎用的な手動物体追跡制御系を学習するシステムを提案する。 提案手法は,(1)多種多様な対象物軌跡を合成可能なハンドオブジェクトプランナであるHOPと,(2)強化学習と相互作用模倣学習を通じて合成と物理の伝達をブリッジするハンドオブジェクトトラッカーであるHOTの2つの重要な貢献を行う。
  論文  参考訳（メタデータ） (2025-12-22T17:08:54Z)
• DexCanvas: Bridging Human Demonstrations and Robot Learning for Dexterous Manipulation [25.208854363099352]
  このデータセットには、実際の人間の実演から70時間シードされた7000時間に及ぶ手-物体の相互作用が含まれている。 各エントリは、同期されたマルチビューRGB-D、MANOハンドパラメータによる高精度モキャップ、物理的に一貫した力プロファイルによるフレーム単位の接触点を組み合わせる。 私たちのリアル・トゥ・シムパイプラインは、物理シミュレーションにおいてアクティベートされたMANOハンドを制御するポリシーをトレーニングするために強化学習を使用します。
  論文  参考訳（メタデータ） (2025-10-17T16:08:14Z)
• 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)

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。