論文の概要: NestDex: Nested Policy Learning with Copilot Assisted Teleoperation for Dexterous Manipulation
- arxiv url: http://arxiv.org/abs/2608.13362v1
- Date: Thu, 13 Aug 2026 15:25:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.578166
- Title: NestDex: Nested Policy Learning with Copilot Assisted Teleoperation for Dexterous Manipulation
- Title（参考訳）: NestDex: Dexterous Manipulationのためのコパイロット支援遠隔操作によるNested Policy Learning
- Abstract要約: 有害な操作は、物理的な世界とのよりリッチなロボットインタラクションを約束します。
しかし、これらの行動を学ぶことは、一貫性のある完全なタスクのデモンストレーションを集めることの難しさに制約されているままです。
我々はNestDexを紹介した。NestDexはネストされたポリシー学習フレームワークで、この負担を軽減する。
- 参考スコア（独自算出の注目度）: 3.901334865327756
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dexterous manipulation promises substantially richer robot interaction with the physical world, but learning these behaviours remains constrained by the difficulty of collecting consistent, complete-task demonstrations. Unlike parallel-jaw manipulation, dexterous tasks require the operator to coordinate arm motion with precise, contact-rich finger behaviour throughout the task. We introduce NestDex, a nested policy-learning framework that reduces this burden by using learned hand skills to assist demonstration collection. The operator controls the arm and regulates the active hand skill through a single-DoF clutch, rather than directly specifying the full finger trajectory. The inner hand policy adapts its motion from the latest proprioceptive history, while a vision-language selector activates the appropriate skill for each task stage. The resulting demonstrations train a separate outer visuomotor policy that controls both the arm and hand without the inner policies at deployment. A hand-action variational autoencoder provides compact hand-action targets while retaining arm commands in joint space. Across real-world dexterous manipulation experiments, NestDex improves demonstration reliability and efficiency, and the resulting empirical evaluations support effective autonomous policy learning. Video Demo are available at project website https://aus.bot/research/nestdex.
- Abstract（参考訳）: しかし、これらの行動を学ぶことは、一貫性のある完全なタスクのデモンストレーションを集めることの難しさによって制約されている。
パラレルジャウ操作とは異なり、巧妙なタスクでは、操作者はタスク全体を通して正確な接触の多い指の動きで腕の動きを調整する必要がある。
我々はNestDexを紹介した。NestDexはネストされたポリシー学習フレームワークで、この負担を軽減する。
操作者は、全指軌跡を直接指定するのではなく、単一のDoFクラッチを介して腕を制御し、アクティブハンドスキルを調節する。
内手ポリシーは、最新の受容履歴から動作に適応し、視覚言語セレクタはタスクステージ毎に適切なスキルを活性化する。
結果として得られたデモンストレーションは、デプロイ時に内部ポリシーなしで腕と手の両方を制御する独立した外部ビズモータポリシーを訓練する。
手動変分オートエンコーダは、関節空間のアームコマンドを保持しながら、コンパクトな手動目標を提供する。
実世界の巧妙な操作実験を通じて、NestDexはデモの信頼性と効率を改善し、結果として得られる経験的評価は効果的な自律的な政策学習を支援する。
Video DemoはプロジェクトのWebサイトhttps://aus.bot/research/nestdex.comで公開されている。
関連論文リスト
- AdvDex: Learning Dexterous Manipulation from Human Demonstrations via Joint-Aligned Actions and Adversarial Learning [25.241504281004243]
本稿では,人間とロボットのデモから,器用な操作を学ぶためのフレームワークであるAdvDexを紹介する。
まず、人間の操作デモの大規模マルチモーダルデータセットであるOmniShareを紹介する。
第2に,手首ポーズが$mathrmSE(3)$および15指関節からなる標準動作表現であるJAAS(Joint-Aligned Action Space)を提案する。
第3に,学習した視覚表現における具体的情報を減らすために,ドメイン・アドバイサル・ラーニングを用いる。
論文 参考訳（メタデータ） (2026-08-14T07:19:06Z) - 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) - 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) - Coordinated Humanoid Manipulation with Choice Policies [43.635012621027904]
本稿では,モジュール型遠隔操作インタフェースとスケーラブルな学習フレームワークを組み合わせたシステムを提案する。
Choice Policy(選択ポリシー)は、複数の候補アクションを生成し、それらを評価することを学ぶ模倣学習アプローチである。
我々は,食器洗い機をロードする2つの現実的タスクと,ホワイトボードワイピングのための全身ロコ操作に関するアプローチを検証した。
論文 参考訳（メタデータ） (2025-12-31T18:59:53Z) - 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) - HannesImitation: Grasping with the Hannes Prosthetic Hand via Imitation Learning [5.122722600158078]
ロボット工学において、模倣学習は、把握と複雑な操作タスクを学ぶための有望なアプローチとして現れてきた。
本稿では,ハンネス義手を制御する模擬学習法であるHannesImitationPolicyを提案する。
我々はそのようなデータを利用して単一の拡散政策を訓練し、それを義手に展開し、手首の向きを予測し、手首をつかむために手首を閉じる。
論文 参考訳（メタデータ） (2025-08-01T10:09:38Z) - Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳（メタデータ） (2025-06-02T17:57:52Z) - Generalization Through Hand-Eye Coordination: An Action Space for
Learning Spatially-Invariant Visuomotor Control [67.23580984118479]
模倣学習(il)は、オフラインデモデータから視覚能力を学ぶための効果的なフレームワークである。
手目行動ネットワーク(HAN)は、人間の遠隔操作による実証から学習することにより、人間の手目協調行動を推定することができる。
論文 参考訳（メタデータ） (2021-02-28T01:49:13Z) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳（メタデータ） (2020-08-11T17:58:50Z)
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。