論文の概要: SEED-UMI: Sharing the Exoskeleton between human and robot for onE-to-one Dexterous demonstration
- arxiv url: http://arxiv.org/abs/2609.11753v1
- Date: Thu, 10 Sep 2026 16:08:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.442194
- Title: SEED-UMI: Sharing the Exoskeleton between human and robot for onE-to-one Dexterous demonstration
- Title（参考訳）: SEED-UMI:OnE-to-one Dexterousのデモのために人間とロボットでExoskeletonを共有
- Abstract要約: 本稿では,人間とロボットが同一のエクソスケルトンエンコーダを装着するフレームワークSEED-UMIを提案する。
5つのコンタクト豊富なタスクにおいて、SEED-UMIはExoskeletonベースの遠隔操作よりも3.0倍のデータ収集効率が向上し、平均ロールアウト成功率は70.0%である。
- 参考スコア（独自算出の注目度）: 8.989813212279424
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Imitation learning for dexterous hands is bottlenecked by the difficulty of collecting contact-rich demonstrations that transfer faithfully to the robot. Prior wearable-exoskeleton systems record only on the human side and retarget via open-loop mappings calibrated in free space, which degrade under contact. We present SEED-UMI, a framework in which both the human and the robot wear the same exoskeleton: joint encoders become a physically shared measurement, and wrist cameras mounted to the exoskeleton observe the same outer mechanism during both human data collection and robot policy rollouts. This turns retargeting into paired cross-embodiment supervision and lets policies train directly on raw exoskeleton-centric wrist images, without segmentation or inpainting. On five contact-rich tasks, SEED-UMI achieves 3.0x greater data collection efficiency than exoskeleton-based teleoperation and a 70.0% average rollout success rate.
- Abstract（参考訳）: 器用な手に対する模倣学習は、ロボットに忠実に伝達するコンタクトリッチなデモンストレーションを集めることの難しさによってボトルネックとなる。
以前のウェアラブル・エクソスケルトンシステムは、人間の側でのみ記録され、自由空間で調整されたオープンループマッピングによって再ターゲティングされる。
本稿では,人間とロボットの両方が同じ外骨格を装着するフレームワークであるSEED-UMIについて述べる。関節エンコーダは物理的に共有された測定装置となり,手首に装着した手首カメラは,人間のデータ収集とロボットポリシーのロールアウトの両方において,同じ外骨格機構を観察する。
これにより、リターゲティングはペアのクロス・エボディメントの監視に変わり、ポリシーはセグメンテーションやペンキを使わずに、生のエキソスケトン中心の手首画像を直接訓練できる。
5つのコンタクト豊富なタスクにおいて、SEED-UMIはExoskeletonベースの遠隔操作よりも3.0倍のデータ収集効率が向上し、平均ロールアウト成功率は70.0%である。
関連論文リスト
- X-WBC: A Cross-Embodiment Foundation Model for Humanoid Whole-Body Control [9.11598874129235]
ヒューマノイド全体のコントロールをスケールするには、大きな人間の運動コーパスと、ロボット本体間で共有されるトレーニング経験が必要である。
X-WBCは、比較的共有された人間の動作意味論とエンボディメント固有の身体的実行を分離する、クロスボデーメント基盤フレームワークである。
論文 参考訳（メタデータ） (2026-09-14T08:34:48Z) - 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) - Human-as-Humanoid: Enabling Zero-Shot Humanoid Learning from Ego-Exo Human Videos with Human-Aligned Embodiments [32.61025334275917]
ヒト・アス・ヒューマノイド(Humanoid as-Humanoid)は、ヒトからヒトへのハイDoFヒューマノイドの監視フレームワークである。
大規模な人間のデモンストレーションを、対象のヒューマノイドに対する実行可能な観察-アクション監視に変換する。
Humanoidは、データ収集分析において、ヒューマノイド遠隔操作よりも4.8--7.2倍の生のデモンストレーション言語ゲインが得られる。
論文 参考訳（メタデータ） (2026-06-30T17:44:16Z) - HumanEgo: Zero-Shot Robot Learning from Minutes of Human Egocentric Videos [58.9564236347451]
HumanEgoは、人間とロボットのエンボディメントギャップを橋渡しするフレームワークである。
それは、人間のデモを、手動オブジェクトの相互作用の実体レベルの表現へと持ち上げる。
HumanEgoは、ロボットのデータフリー、ハードウェア非依存、データ効率、ゼロショットの人間とロボットの転送を可能にする。
論文 参考訳（メタデータ） (2026-05-24T08:26:41Z) - UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos [65.2981273885678]
実際のロボット遠隔操作データの収集コストのため、デクサラスな操作は依然として困難である。
我々は、ロボット中心の大規模データセットと視覚言語アクション(VLA)ポリシーを結合したロボット基盤スイートであるUniDexを紹介する。
UniDex-Dataset、UniDex-VLA、UniDex-Capは、ユニバーサルデキスタラス操作のためのスケーラブルな基盤スイートを提供する。
論文 参考訳（メタデータ） (2026-03-23T17:49:12Z) - DexEMG: Towards Dexterous Teleoperation System via EMG2Pose Generalization [5.972698171130012]
ロボットを非構造的な家庭環境に持ち込むには,高忠実なロボットハンドの遠隔操作が不可欠である。
表面筋電図(sEMG)を利用した軽量で費用対効果の高い遠隔操作システムの開発
本稿では,多様な遠隔操作タスクにおいて高精度なシステムを実現することを示す。
論文 参考訳（メタデータ） (2026-03-06T03:36:33Z) - 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) - HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。
HumanXは、従来の方法より8倍高い一般化成功を達成する。
論文 参考訳（メタデータ） (2026-02-02T18:53:01Z) - DEXOP: A Device for Robotic Transfer of Dexterous Human Manipulation [39.95361636017463]
周操作は、人間の操作を感知し記録し、実際のロボットへのデータの転送可能性を最大化する、ロボットデータ収集のパラダイムである。
我々は,このパラダイムを,自然環境における多種多様な操作タスクのためのリッチな感覚(視覚+触覚)データ収集能力の最大化を目的とした,受動的手外骨格であるDEXOPに実装する。
論文 参考訳（メタデータ） (2025-09-04T17:57:13Z) - 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)
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。