論文の概要: CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements

• arxiv url: http://arxiv.org/abs/2609.07498v1
• Date: Mon, 07 Sep 2026 13:47:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 00:13:46.05748
• Title: CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements
• Title（参考訳）: CosmoH2G:複雑な空間運動を伴う物体操作のための手動グリップ転送データセットとベースライン法
• Abstract要約: ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
• 参考スコア（独自算出の注目度）: 63.40365657068892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transferring human hand demonstrations to robotic grippers has recently emerged as a cost-effective solution for robot learning. However, existing methods are largely confined to simple, planar tasks and fail to handle complex spatial movements (e.g., intricate trajectories involving rotations or flips) that are essential for robot manipulation. Motivated by this gap, we adopt an implicit, data-driven approach guided by fine-grained hand-pose motions. To this end, we introduce a scalable acquisition pipeline to collect hand-gripper paired demonstrations, governed by a rigorous protocol that prioritizes motion complexity and leverages a handheld gripper for seamless action mimicry. This yields a large-scale paired dataset comprising 6,189 episodes across 1,254 unique objects, exhibiting significantly higher spatial complexity than existing benchmarks. However, learning such complex mappings remains challenging. We observe that naive end-to-end generation of full gripper pose sequences is insufficient, as minor trajectory deviations compound rapidly under intricate dynamics. To address this, we propose a two-stage framework: Stage I predicts sparse gripper keyframes (initial and terminal) to simplify the mapping objective, while Stage II generates the full continuous action sequence conditioned on these keyframes. Furthermore, to mitigate cumulative drift, we keep the gripper's orientation being learned while post-optimizing its translation based on the grasping heuristic and kinematic consistency. In both simulation and real-robot experiments, our framework enables stable and precise hand-to-gripper transfer of complex spatial manipulations, significantly outperforming traditional baselines. Project page: https://cosmoh2g.github.io.
• Abstract（参考訳）: ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 しかし、既存の手法は主に単純で平面的なタスクに限られており、ロボット操作に不可欠な複雑な空間運動(例えば、回転やフリップを含む複雑な軌道)を処理できない。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 この目的のために,手持ちグリップのペアによるデモを収集するスケーラブルな獲得パイプラインを導入し,動作の複雑さを優先し,ハンドヘルドグリップをシームレスな動作模倣に活用する厳密なプロトコルで制御する。 これにより1,254個のユニークなオブジェクトにまたがる6,189個のエピソードからなる大規模なペアデータセットが得られ、既存のベンチマークよりも空間的複雑さが著しく高くなる。 しかし、そのような複雑な写像を学ぶことは依然として困難である。 複雑な動的条件下での微量な軌道偏差が急速に起こるため, 完全なグリップポーズ列の終端生成が不十分であることが観察された。 ステージIはスパースグリップキーフレーム(初期および終端)を予測してマッピングの目的を単純化し、ステージIIはこれらのキーフレームに条件付けられた完全な連続的なアクションシーケンスを生成する。 さらに、累積ドリフトを緩和するために、グリップの向きを学習しながら、グリップのヒューリスティックとキネマティックの整合性に基づいて翻訳を最適化する。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは、複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にし、従来のベースラインを大幅に上回っている。 プロジェクトページ: https://cosmoh2g.github.io

関連論文リスト

• Fast Coordinated Bimanual Motion Planning With Hard Constraints [0.0]
  双方向操作は複雑なタスクを可能にするが、関連する多くの自由度から追加の複雑さを導入する。 本稿では,経路全体に沿って連続的にハードトランスフォーメーションの制約を強制する高速なバイマニュアル・モーション・プランニング・パイプラインを提案する。 多様な環境, 制約, 両面プラットフォームにまたがってシミュレーションを行い, 従来よりも19.4倍高速な計画を立てた。
  論文  参考訳（メタデータ） (2026-08-21T10:08:47Z)
• Structural Action Transformer for 3D Dexterous Manipulation [80.07649565189035]
  クロス・エボディメント・スキル・トランスファーは、ハイDoFロボットハンドの課題である。 既存の手法は、しばしば2次元の観測と時間中心の行動表現に依存し、3次元の空間的関係を捉えるのに苦労する。 本稿では、構造中心の視点を導入することで、このパラダイムに挑戦する新しい3Dデクスタラスな操作ポリシーを提案する。
  論文  参考訳（メタデータ） (2026-03-04T11:38:12Z)
• GeoMotion: Rethinking Motion Segmentation via Latent 4D Geometry [61.24189040578178]
  そこで本研究では,注目機構を介し,潜在特徴表現から移動対象を直接推論する完全学習型アプローチを提案する。 我々の重要な洞察は、明示的な対応推定を回避し、代わりに、モデルが暗黙的にオブジェクトとカメラの動きを歪めることを学ぶことである。 提案手法は,最先端の動作セグメンテーション性能を高い効率で達成する。
  論文  参考訳（メタデータ） (2026-02-25T11:36:33Z)
• 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)
• 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)
• PMG: Progressive Motion Generation via Sparse Anchor Postures Curriculum Learning [5.247557449370603]
  ProMoGenは、軌跡誘導とスパースアンカー動作制御を統合する新しいフレームワークである。 ProMoGenは、統合トレーニングプロセス内で、二重制御パラダイムと単一制御パラダイムの両方をサポートする。 われわれのアプローチはパーソナライズされた動作と構造化されたガイダンスをシームレスに統合し、最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2025-04-23T13:51:42Z)
• Real-time Controllable Motion Transition for Characters [14.88407656218885]
  リアルタイムの動作生成はゲームでは普遍的に必要であり、既存のアニメーションパイプラインでは非常に望ましい。 我々のアプローチは、運動多様体と条件遷移という2つの重要な構成要素から構成される。 提案手法は,複数の測定基準の下で測定された高品質な動きを生成できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T10:02:54Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。