論文の概要: Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand

• arxiv url: http://arxiv.org/abs/2609.17172v1
• Date: Tue, 15 Sep 2026 13:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.544231
• Title: Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand
• Title（参考訳）: 手足としての指:人型手による自力歩行と操作の学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.3799995789461068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A walking robotic hand must use the same fingers to move its body, support its weight, and interact with the environment. We show how an anthropomorphic hand can learn these skills while retaining its finger design and position controller. Onboard power and computation make the platform self-contained. Our reinforcement learning approach accounts for the hand's unequal fingers, with training in a simulator calibrated from hardware measurements. In simulation, the hand moves faster with our reward formulation than with tuned rewards originally designed for quadrupeds. On hardware, task-specific policies enable untethered crawling, steering, and fall recovery. While supporting its own weight, the hand also executes successive keyboard commands without vision and pushes an object to targets using overhead visual feedback. These results demonstrate a compact mobile manipulator that reuses its fingers for locomotion and interaction, without a separate locomotion mechanism.
• Abstract（参考訳）: 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。 オンボードのパワーと計算により、プラットフォームは自己完結する。 我々の強化学習アプローチは手の不平等な指を考慮に入れており、ハードウェア測定から校正されたシミュレーターでトレーニングを行っている。 シミュレーションでは、手はもともと四重奏用に設計されたチューニングされた報酬よりも、報酬の定式化によって速く動きます。 ハードウェア上では、タスク固有のポリシーにより、不要なクロール、ステアリング、フォールリカバリが可能になる。 手は自身の重みをサポートしながら、視覚のない連続したキーボードコマンドを実行し、オーバーヘッド視覚フィードバックを使用してオブジェクトをターゲットにプッシュする。 これらの結果から,別個の移動機構を使わずに,指を移動・相互作用に再利用する小型移動マニピュレータが得られた。

関連論文リスト

• Teleopit: A Full-Embodiment Humanoid Teleoperation System [3.436474641224862]
  我々は、体、手、信号をVRからヒューマノイド体にマッピングするフルエンボディーメント遠隔操作システムであるTeleopitを紹介した。 ヒストリーエンコーダとフェールアウェア・リウインドサンプリングは、モーションキャプチャーとライブVR参照の両方のモーショントラッカーを改善する。 ACTとGRT N1.7は、Teleopitで収集された96のデモで訓練され、それぞれ90.0%と95.0%のタスク成功率を達成した。
  論文  参考訳（メタデータ） (2026-08-03T07:45:13Z)
• Handroid: Bridging Dexterous Hand and Humanoid [43.46822323578635]
  Handroidはデスクトップスケールのデュアルエンボディメントロボットで、両方の機能を単一の再構成可能なプラットフォームに統合する。 20個のDoFがヒトの手のキネマティック構造と密接に一致する人為的手を形成する。 本発明のヒューマノイド実施形態では、同じ関節モジュールを頭、腕、脚を有するヒューマノイドに再構成し、移動及び全身運動のための12−DoF下肢構造を含む。
  論文  参考訳（メタデータ） (2026-07-17T17:59:05Z)
• 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)
• Imitation Learning for Adaptive Control of a Virtual Soft Exoglove [3.3030080038744947]
  本研究では,特定の筋力障害に対処し,手動操作作業に対する補償を提供するウェアラブルロボットコントローラを提案する。 人間の把握タスクを実行する同じ被験者のビデオデータは、実演から学習して操作モデルを訓練するために使用される。 この操作モデルはその後、オブジェクト固有のインタラクションタスクを実行するために微調整される。 筋骨格操作モデルにおける筋力は、後に仮想ウェアラブルロボットグローブの作動によって補償される神経運動障害をシミュレートするために弱められる。
  論文  参考訳（メタデータ） (2025-05-14T03:09:21Z)
• 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)
• AI-Powered Camera and Sensors for the Rehabilitation Hand Exoskeleton [0.393259574660092]
  本研究は,障害者の手の動きを支援する視覚機能付きリハビリテーション・ハンド・エキソスケルトンを提案する。 設計目標は、トレーニングを必要とせずにシンプルなインターフェイスを利用できるツールを作ることだった。
  論文  参考訳（メタデータ） (2024-08-09T04:47:37Z)
• Rotating without Seeing: Towards In-hand Dexterity through Touch [43.87509744768282]
  本稿では,タッチデクスタリティ(Touch Dexterity)を提案する。 小さな領域で正確な触覚センサーに頼る代わりに、ロボットハンドの片側をオーバーレイする密度の高い二分力センサー(タッチまたはタッチなし)を用いた新しいシステム設計を導入する。 我々は,各種物体のシミュレーションに強化学習を用いて手動回転ポリシーを訓練する。タッチオンリーセンシングを応用して,実際のロボットの手で直接ポリシーを展開し,トレーニングで提示されていない新規物体を回転させることができる。
  論文  参考訳（メタデータ） (2023-03-20T05:38:30Z)
• In-Hand Object Rotation via Rapid Motor Adaptation [59.59946962428837]
  指先のみを用いて手動物体の回転を実現するための簡単な適応制御器の設計と学習方法を示す。 コントローラは、円筒形物体のみのシミュレーションで完全に訓練されている。 実際のロボットの手に直接展開して、さまざまな大きさ、形状、重量をz軸上で回転させることができる。
  論文  参考訳（メタデータ） (2022-10-10T17:58:45Z)
• DexVIP: Learning Dexterous Grasping with Human Hand Pose Priors from Video [86.49357517864937]
  DexVIPは,人間と物体のインタラクションビデオから,器用なロボットの把握を学習する手法である。 我々は、人間とオブジェクトのインタラクションビデオから把握した画像をキュレートし、エージェントの手のポーズに先行する。 DexVIPは、手ポーズの無い既存のアプローチや、特殊な遠隔操作機器に頼っている既存のアプローチと良好に比較できることを実証する。
  論文  参考訳（メタデータ） (2022-02-01T00:45:57Z)
• Physics-Based Dexterous Manipulations with Estimated Hand Poses and Residual Reinforcement Learning [52.37106940303246]
  ノイズの多い入力ポーズをターゲットの仮想ポーズにマッピングするモデルを学習する。 モデルフリーハイブリッドRL+ILアプローチを用いて残留条件下で訓練する。 筆者らは,VRにおける手動物体の相互作用と,それを用いた手動物体の動作再構成という,手動姿勢推定を用いた2つのアプリケーションで,我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2020-08-07T17:34:28Z)
• Body2Hands: Learning to Infer 3D Hands from Conversational Gesture Body Dynamics [87.17505994436308]
  身体の動きと手の動きは、非言語的コミュニケーション設定において強く相関しているという知見に基づいて構築する。 身体の動きのみを入力した場合の3次元手形状の予測タスクとして,この先行学習を定式化する。 本モデルでは,3次元手の動きのみを入力として,手の動きを説得力のある3次元手の動きを生成する。
  論文  参考訳（メタデータ） (2020-07-23T22:58:15Z)

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。