論文の概要: Morphometric Imitation: From Morphology and Contact Aware Hand Retargeting to Sim-to-Real Visuomotor Policy

• arxiv url: http://arxiv.org/abs/2609.28660v2
• Date: Fri, 25 Sep 2026 18:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.739131
• Title: Morphometric Imitation: From Morphology and Contact Aware Hand Retargeting to Sim-to-Real Visuomotor Policy
• Title（参考訳）: 形態計測模倣--形態学とコンタクトアウェアハンド・リターゲティングからシミュレート・トゥ・リアル・バイスモータ・ポリシーへ
• Abstract要約: 我々は,人間の手動インタラクションをゼロショットビジュモータポリシーに再構築するフレームワークであるMorphometric Imitationを提案する。 3つの手と10個のHOIで、MMOはコンタクトF1で5つのベースラインを上回り、最強のものを8から28ポイント改善する。 Sharpaでは、ビジュモーターポリシーは10のカテゴリにまたがる30のオブジェクトに対する300の現実世界の試行において89.3%のゼロショット成功を達成した。
• 参考スコア（独自算出の注目度）: 29.295652874736934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human hand-object interactions (HOIs) provide a rich source of demonstrations for dexterous manipulation, but learning directly from them presents challenges in bridging morphology gaps, ensuring dynamical feasibility, and sim-to-real deployment. We present Morphometric Imitation, a three-stage framework that transforms reconstructed HOIs into zero-shot sim-to-real visuomotor policies. First, morphometric optimization (MMO) kinematically retargets human motion across hand morphologies while preserving demonstrated contacts. Second, residual reinforcement learning (RL) refines the kinematic reference using object pose and contact information from the human motion to produce dynamically feasible robot demonstrations. Third, these demonstrations are distilled into visuomotor policies. Across three robot hands and ten HOIs, MMO outperforms five baselines in contact F1, improving on the strongest ones by 8 to 28 points, while improving the success rate of downstream dynamic retargeting by as much as 35 points. On a Sharpa hand, the visuomotor policies achieve 89.3% zero-shot success in 300 real-world trials on 30 objects spanning 10 categories. Project page: https://morphometricimitation.github.io
• Abstract（参考訳）: ヒューマン・ハンド・オブジェクト・インタラクション(Human hand-object Interaction,HOIs)は、デキスタラスな操作のためのデモの豊富なソースを提供するが、それらから直接学ぶことは、形態的ギャップを埋めること、動的実現性を確保すること、およびシム・トゥ・リアルなデプロイメントの課題を示す。 再構成されたHOIをゼロショットシミュレートからリアルビズモータポリシに変換する3段階のフレームワークであるMorphometric Imitationを提案する。 第一に、MMO (morphometric optimization) は、手動の運動を手動の運動に的確に再ターゲットし、接触を保ったまま保存する。 第二に、残留強化学習(RL)は、物体のポーズと人間の動作からの接触情報を用いて運動基準を洗練し、動的に実現可能なロボットデモを生成する。 第三に、これらのデモンストレーションはビジュモーターポリシーに蒸留される。 3つのロボットハンドと10個のHOIで、MMOは接触F1において5つのベースラインを上回り、最強のものを8から28ポイント改善し、下流のダイナミックリターゲティングの成功率を最大35ポイント向上させた。 シャーパでは、ビジュモーターポリシーは10のカテゴリにまたがる30のオブジェクトに対する300の現実世界の試行において89.3%のゼロショット成功を達成した。 プロジェクトページ: https://morphometricimitation.github.io

関連論文リスト

• One Demonstration, Many Objects: Generalizing Manipulation via Local Contact Geometry [49.066054862620014]
  人間のデモから学ぶことは、ロボット遠隔操作のスケーラブルな代替手段として現れてきた。 最近のsim-to-real RL法はそのような先入観を取り入れているが、しばしば正確な接触を明示的に動機付ける報酬を省略する。 接触点に局所的な形状に着目してオブジェクトを操作できるDemoMimicを提案する。
  論文  参考訳（メタデータ） (2026-09-01T23:04:35Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• DexSynRefine: Synthesizing and Refining Human-Object Interaction Motion for Physically Feasible Dexterous Robot Actions [0.5599792629509227]
  本稿では,人-物間相互作用(HOI)データから外乱操作を学習するフレームワークであるDexSynを紹介する。 また,プロテローム受容履歴からのsim-to-realトランスファーを可能にするコンタクト・アンド・オリエンテーション・アダプティブ・モジュールを提案する。
  論文  参考訳（メタデータ） (2026-05-07T09:31:43Z)
• ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
  ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。 ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。 結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-10-06T17:47:02Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)

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。