論文の概要: Aero Hand Open: A Simulation-Ready Tendon-Driven Hand for Dexterous Manipulation Learning

• arxiv url: http://arxiv.org/abs/2608.28578v1
• Date: Fri, 28 Aug 2026 17:53:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.428964
• Title: Aero Hand Open: A Simulation-Ready Tendon-Driven Hand for Dexterous Manipulation Learning
• Title（参考訳）: Aero Hand Open: Dexterous Manipulation Learningのためのシミュレーション可能な腱駆動ハンド
• Abstract要約: シミュレーション可能な腱駆動型人型ハンドをリリースする。 シミュレーションモデルは、ケーブル伝送自体を再生する。 強化学習パッケージは、手のためのポリシーを訓練します。
• 参考スコア（独自算出の注目度）: 6.1652345307599505
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tendon-driven hands are anthropomorphic, and moving the actuators off the joints is what makes a hand of this capability affordable to build. Two effects produce that saving. Routing force through a cable removes the requirement that a motor fit inside the joint it drives, so smaller and cheaper motors suffice, and one motor can drive several joints through a single cable, so fewer motors are needed. They are also harder to learn on than a direct-drive hand. The underactuated transmission that produces the saving is itself difficult to represent in a simulator, and the joints one cable drives are not independently commandable. We present Aero Hand Open, a tendon-driven anthropomorphic hand that is released simulation-ready. Three things ship with it. A simulation model reproduces the cable transmission itself. An identified actuation map connects that model to the motor commands in both directions, including the three-way coupling of the thumb. A reinforcement learning package trains policies for the hand. Together they let a policy be trained entirely in simulation and run on the hand with no fine-tuning and no state estimation. We release the mechanical design, the simulation model, the identified mapping, the training environment and the deployment stack.
• Abstract（参考訳）: 腱を駆動する手は人為的であり、アクチュエーターを関節から遠ざけることが、この能力の組み立てを手頃なものにしている。 2つの効果がその節約をもたらす。 ケーブルを通す力によって、駆動するジョイント内にモーターが収まる必要がなくなり、より小型で安価なモーターが十分になり、1つのモーターが1つのケーブルを介して複数のジョイントを駆動できるため、モーターは少なくなる。 また、直接運転する手よりも学習が難しい。 貯蓄を発生させる不安定な伝送はシミュレーターでは表現が困難であり、1本のケーブルドライブで駆動するジョイントは独立して制御できない。 本稿では, テントン駆動型人型ハンドであるAero Hand Openについて紹介する。 3つのものが同梱されている。 シミュレーションモデルは、ケーブル伝送自体を再生する。 特定されたアクティベーションマップはそのモデルを、親指の3方向結合を含む、両方の方向のモーターコマンドに接続する。 強化学習パッケージは、手のためのポリシーを訓練します。 同時に、ポリシーを完全にシミュレーションでトレーニングし、微調整も状態推定もせずに、手動で実行するようにしました。 メカニカルデザイン、シミュレーションモデル、識別されたマッピング、トレーニング環境、デプロイメントスタックをリリースします。

関連論文リスト

• Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand [1.3799995789461068]
  歩行ロボットハンドは、同じ指を使って体を動かし、体重を支え、環境と対話しなければならない。 人為的手は指のデザインと位置制御を保ちながら、これらのスキルを学べることを示す。
  論文  参考訳（メタデータ） (2026-09-15T13:34:40Z)
• SimWAM: A Simple World Action Model for End-to-End Autonomous Driving [66.93548079427477]
  我々は、将来の映像予測を訓練時間監視信号として活用する、シンプルで効果的なWAMであるSimWAMを提案する。 孤立した注意マスクは、将来のフレームとは独立して行動予測を保持し、推論時に明示的な将来のフレーム生成なしに軌道予測を可能にする。 我々のSimWAMは、NAVSIM上の91.5 PDMSを達成し、最先端のWAMベースのプランナをはるかに低レイテンシで超越し、ゼロショットをnuScenesに転送する。
  論文  参考訳（メタデータ） (2026-08-07T17:59:09Z)
• Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [17.63466252699545]
  人間のような器用な手は人間レベルの操作機能を提供するが、実際のハードウェアにデプロイできるコントロールポリシーを訓練することは困難である。 本稿では,高密度触覚フィードバックと関節トルクセンサを併用したシミュレート・トゥ・リアル強化学習法を提案する。 これは、シミュレーションで完全に訓練され、実際のハードウェア上でゼロショットを転送するマルチフィンガーデキスタラスハンドにおける制御可能なグリップの初めてのデモンストレーションである。
  論文  参考訳（メタデータ） (2026-07-06T11:15:36Z)
• Dexora: Open-source VLA for High-DoF Bimanual Dexterity [97.98653150757526]
  Dexoraは、デュアルアーム、デュアルハンドハイDoF操作をターゲットとする、世界初のオープンソースのVLAシステムである。 指の動きから全身の運動を分離するハイブリッド遠隔操作パイプラインを設計する。 Dexoraはベーシックベンチマークとデクスタラスベンチマークの両方で競合するVLAベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-05-18T17:50:32Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• Tendon Force Modeling for Sim2Real Transfer of Reinforcement Learning Policies for Tendon-Driven Robots [4.374417345150659]
  本稿では,典型的なサーボモータの腱力をモデル化する手法を提案する。 次に,GPUによる力駆動型剛体シミュレーションにおいて,我々の力推定モデルを用いてRL制御系を訓練する。 我々のモデルは最大運動力の3%以内の腱力を予測でき、ロボットに依存しない。
  論文  参考訳（メタデータ） (2026-03-04T18:16:58Z)
• Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [12.509181374985936]
  複数の指を持つ人間のような器用な手は、人間レベルの操作機能を提供する。 しかし、実際のハードウェアに直接デプロイ可能なトレーニングコントロールポリシは、コンタクトリッチな物理のため、依然として難しいままです。 本稿では,高密度触覚フィードバックと関節トルクセンシングを併用して身体的相互作用を調節する実践的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T07:26:39Z)
• HOMIE: Humanoid Loco-Manipulation with Isomorphic Exoskeleton Cockpit [52.12750762494588]
  本稿では,半自律遠隔操作システムHOMIEを紹介する。 ペダルにマッピングされた身体制御のための強化学習ポリシー、腕制御のための異形外骨格アーム、手操作のためのモーションセンシンググローブを組み合わせている。 このシステムは完全なオープンソースであり、デモとコードはhttps://homietele.org/.com/で見ることができる。
  論文  参考訳（メタデータ） (2025-02-18T16:33:38Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Generative AI-empowered Simulation for Autonomous Driving in Vehicular Mixed Reality Metaverses [130.15554653948897]
  車両混合現実(MR)メタバースでは、物理的実体と仮想実体の間の距離を克服することができる。 現実的なデータ収集と物理世界からの融合による大規模交通・運転シミュレーションは困難かつコストがかかる。 生成AIを利用して、無制限の条件付きトラフィックを合成し、シミュレーションでデータを駆動する自律運転アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-16T16:54:10Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。