論文の概要: Rapid Learning of Dexterous In-Hand Pen Writing through Real-Time Jacobian Estimation

• arxiv url: http://arxiv.org/abs/2609.11775v1
• Date: Thu, 10 Sep 2026 16:29:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.446909
• Title: Rapid Learning of Dexterous In-Hand Pen Writing through Real-Time Jacobian Estimation
• Title（参考訳）: 実時間ジャコビアン推定によるデクサス・イン・ハンドペンの高速学習
• Abstract要約: ロボットデキスタリティのための未解決フロンティアである。 強化学習(RL)に用いられる現代のシミュレータは、必要な接触複雑性を完全に再現することはできない。 本稿では,ロボット上でのハンドとオブジェクトのリアルタイムなジャコビアン推定に基づく具体的制御手法を提案する。
• 参考スコア（独自算出の注目度）: 6.310698673225999
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dexterous in-hand manipulation of a grasped object with an anthropomorphic hand is an unsolved frontier for robot dexterity. The contact-richness and highly dynamic nature of object-hand interactions tend to require extensive modeling or data-collection efforts for learning-based approaches. Modern simulators used for reinforcement learning (RL) cannot fully replicate the required contact complexity, while collecting dexterous demonstrations for imitation learning (IL) remains an open problem. In this research, we present an embodied control approach based on real-time task Jacobian estimation of the combined hand and object system on the physical robot. Using only the CPU on a laptop, the proposed controller begins in-hand pen writing after approximately 18 s of initialization and continues to adapt online, without an analytic hand--object kinematic/contact model, simulation training, or precollected task demonstrations. We demonstrate that the same estimator/controller formulation works on three anthropomorphic robotic hand systems (one physical, two simulated) to show human-like, in-hand articulation of a grasped pen by an embodiment-independent formulation. Sub-millimeter in-plane precision (mean 0.6 mm across runs) is achieved across letters and shapes written in the air and on paper on a physical robot. To our knowledge, this is the first demonstration of an anthropomorphic hand writing arbitrary single-stroke trajectories with a grasped pen through purely in-hand motion, and it showcases an alternative to compute- and data-heavy approaches such as RL and IL for achieving dexterous manipulation through computationally simple and data-efficient algorithms.
• Abstract（参考訳）: ロボットデキスタリティのための未解決フロンティアである。 オブジェクトハンドインタラクションの接触豊かさと非常にダイナミックな性質は、学習に基づくアプローチに広範なモデリングやデータ収集の努力を必要とする傾向がある。 強化学習(RL)に使用される現代のシミュレータは、必要な接触複雑性を完全に再現することはできないが、模倣学習(IL)のための厳密な実演を収集することは、未解決の問題である。 本研究では,ロボット上での手とオブジェクトの協調動作のリアルタイムなタスクヤコビアン推定に基づく具体的制御手法を提案する。 提案したコントローラは、ノートパソコン上のCPUのみを使用して、約18秒の初期化後に手書きペンを書き始め、解析的手動/接触モデル、シミュレーショントレーニング、あるいはプレコンパイルされたタスクデモなしで、オンラインに適応し続けます。 同じ推定器/制御器の定式化は、3つの人型ロボットハンドシステム(1つの物理的、2つのシミュレート)に作用し、具体的独立な定式化により、握手ペンの人間的、手動的な調音を示すことを示した。 サブミリの飛行機内精度(平均約0.6mm)は、空気中や紙に書かれた文字や形を物理的ロボットに渡すことで達成される。 我々の知る限り、これは純粋に手動で握手ペンで任意のシングルストローク軌跡を書ける人為的手の最初の実演であり、計算学的に単純でデータ効率のよいアルゴリズムによって、RLやILのような計算量およびデータ量の多いアプローチに代わるものである。

関連論文リスト

• Pre-training Visual Dexterity in Simulation [67.17477115017896]
  シミュレーションで完全に収集されたデータを利用するデクスタラスな操作のための事前学習フレームワークを導入する。 5人のオペレーターの助けを借りて、1週間にわたって75時間のマルチタスク・デキスタラスな操作を収集し、配列モデリングの目的に基づいて因果変換器を事前訓練する。 提案手法は,シミュレーション遠隔操作が実世界における創発的操作のトレーニング前情報源として有効なことを示し,学習行動のクローン化方針をゼロから上回る結果を得た。
  論文  参考訳（メタデータ） (2026-08-16T20:21:33Z)
• HumanoidMimicGen: Data Generation for Loco-Manipulation via Whole-Body Planning [52.022681285103126]
  我々はHumanoid MimicGenについて述べる。 本手法は,少数の実演から新しい状態へ,接触に富んだ全身スキルを適応させる。 我々は、HumanoidMimicGenが生成したデータと協調してトレーニングされた全身ビズモータポリシーが、実世界のデータでのみトレーニングされたものよりも20%優れていたことを示す。
  論文  参考訳（メタデータ） (2026-05-26T21:57:11Z)
• Dexterous grasp data augmentation based on grasp synthesis with fingertip workspace cloud and contact-aware sampling [12.284578987285188]
  遠隔操作型フレームワークを提案する。 そこで本研究では,ロボット指先の構造的ワークスペース雲を自動生成するAutoWSを提案する。 本フレームワークは,任意の構造を持つ手のためのリアルタイムグリップ生成を可能にし,実演と組み合わせて人間的なグリップを生成する。
  論文  参考訳（メタデータ） (2026-03-17T14:51:35Z)
• UniHM: Unified Dexterous Hand Manipulation with Vision Language Model [39.2419824041854]
  身体的に実現可能な器用な手操作を計画することは、ロボット操作と身体的AIにおける中心的な課題である。 自由形式の言語コマンドで案内される手操作を統一する最初のフレームワークであるUniHMを紹介する。
  論文  参考訳（メタデータ） (2026-02-28T16:37:11Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• 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)
• CEDex: Cross-Embodiment Dexterous Grasp Generation at Scale from Human-like Contact Representations [53.37721117405022]
  クロス・エボディメント・デキスタラス・グリップ合成(Cross-Embodiment dexterous grasp synthesis)とは、様々なロボットハンドのグリップを適応的に生成し、最適化することである。 そこで我々は,CEDexを提案する。 これまでで最大のクロス・エボディメント・グラウンド・データセットを構築し、合計20万のグリップを持つ4つのタイプにまたがる500万のオブジェクトからなる。
  論文  参考訳（メタデータ） (2025-09-29T12:08:04Z)
• SSSUMO: Real-Time Semi-Supervised Submovement Decomposition [0.6499759302108926]
  運動分析は、運動制御に関する貴重な洞察を提供する。 既存の手法は、復元精度、計算コスト、検証に苦慮している。 半教師付き学習フレームワークを用いて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-07-08T21:26:25Z)
• SIGHT: Synthesizing Image-Text Conditioned and Geometry-Guided 3D Hand-Object Trajectories [124.24041272390954]
  手動物体の相互作用をモデル化することは、ロボットと具体化されたAIシステムを前進させる大きな可能性を秘めている。 SIGHTは、1つの画像から現実的で物理的に妥当な3Dハンドオブジェクトインタラクショントラジェクトリを生成することに焦点を当てた,新しいタスクである。 SIGHT-Fusionは,データベースから最もよく似た3Dオブジェクトメッシュを抽出し,この課題に対処する,新しい拡散型画像文条件付き生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-28T20:53:20Z)
• 3HANDS Dataset: Learning from Humans for Generating Naturalistic Handovers with Supernumerary Robotic Limbs [64.99122701615151]
  スーパー数式ロボットアーム(英: Supernumerary Robotics limbs、SRL)は、ユーザーの身体と密に統合されたロボット構造である。 3HANDSは,日常活動を行う参加者と,ヒップマウントSRLを自然な方法で実施する参加者との間の,オブジェクトハンドオーバインタラクションの新たなデータセットである。 本稿では,自然なハンドオーバ軌跡を生成する3つのモデル,適切なハンドオーバエンドポイントを決定する1つのモデル,ハンドオーバ開始のタイミングを予測する3つのモデルを提案する。
  論文  参考訳（メタデータ） (2025-03-06T17:23:55Z)

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。