論文の概要: DexTaG: Tactile-as-Guidance in Reinforcement Learning for Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2609.33882v1
• Date: Sun, 27 Sep 2026 19:56:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:01:22.910715
• Title: DexTaG: Tactile-as-Guidance in Reinforcement Learning for Dexterous Manipulation
• Title（参考訳）: DexTaG: Dexterous Manipulationのための強化学習における触覚誘導
• Abstract要約: グラブベースのモーションキャプチャーは、デクスタラスハンドのデモデータを収集するためのスケーラブルなアプローチとして現れている。 人手とロボット手の間の運動的ギャップのため、記録された人間の動作を直接ロボットに実行することはできない。 触覚誘導型RLフレームワークであるDexTaGを提案する。
• 参考スコア（独自算出の注目度）: 37.293559108672454
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Glove-based motion capture is emerging as a scalable approach to collecting dexterous-hand demonstration data. However, due to the kinematic gap between the human and robot hand, the recorded human motions cannot be executed directly on the robot, especially for contact-rich tool-use tasks involving in-hand reorientation. Prior work bridges this gap in simulation through reinforcement learning (RL) or trajectory optimization, but the human contact pattern is hard to preserve under such formulations, often producing unnatural manipulation and unstable functional grasps. These methods also train a separate policy or solve a separate optimization for each reference trajectory, which is inefficient. To solve these problems, we propose DexTaG, a tactile-guided RL framework for dexterous manipulation. During training, tactile signals captured by the glove guide policy search toward the measured human contact pattern, reducing reliance on precise reference geometry for contact supervision. To improve efficiency, we train a single generalizable retargeter jointly on all training trajectories of the same object. The retargeter is further distilled into a tactile-free student controller conditioned on the target object trajectory for real-world deployment. On marker-pen and hammer manipulation tasks, DexTaG learns natural, contact-rich behaviors that baselines with distance-based contact heuristics fail to learn, generalizes to held-out trajectories of the same object and task, and outperforms single-trajectory baselines on OakInk2.
• Abstract（参考訳）: グラブベースのモーションキャプチャーは、デクスタラスハンドのデモデータを収集するためのスケーラブルなアプローチとして現れている。 しかし, 人手とロボット手との運動的ギャップのため, 記録された人間の動作を直接ロボット上で行うことはできない。 従来の作業では、強化学習(RL)や軌道最適化によってこのシミュレーションのギャップを埋めていたが、人間の接触パターンはそのような定式化の下で保存することは困難であり、しばしば不自然な操作や不安定な機能的把握をもたらす。 これらの手法はまた、異なるポリシーを訓練したり、参照トラジェクトリごとに別の最適化をしたりもするが、これは非効率である。 これらの問題を解決するために,触覚誘導型RLフレームワークであるDexTaGを提案する。 トレーニング中、グローブガイドポリシーによって捕捉された触覚信号は、測定された人間の接触パターンに対して探索され、接触監督のための正確な基準形状への依存が軽減される。 効率を向上させるため、同一物体の全ての訓練軌道上で、単一の一般化可能な再ターゲッターを共同で訓練する。 さらに、この再ターゲターは、現実の展開のために対象物軌道上に配置された触覚のない学生コントローラに蒸留される。 マーカーペンとハンマー操作タスクにおいて、DexTaGは、距離ベースの接触ヒューリスティックスによるベースラインの学習に失敗する自然なコンタクトリッチな振る舞いを学び、同一のオブジェクトとタスクの保持軌跡に一般化し、OakInk2上で単軌道ベースラインを上回る。

関連論文リスト

• TacBPM: A Tactile-conditioned Behavior Prior Model for Dexterous Reorientation [20.22504784076148]
  有害な手動操作は、断続的で接触に富んだ相互作用を通じて高DoFハンドジョイントを協調するポリシーを必要とする。 触覚条件付き振舞いモデルを提案する。
  論文  参考訳（メタデータ） (2026-09-16T05:58:33Z)
• 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)
• TactiDex: A Real-World Tactile-Guided Benchmark for Human-Like Dexterous Manipulation [30.144946280089727]
  現在のヒトからロボットへのデキスタラストランスファーパイプラインはキネマティックな軌道に依存している。 実世界の触覚誘導型ベンチマークであるTactiDexを導入する。 本稿では,新しい三成分触覚報酬に基づいて構築されたフレームワークであるTactiSkillを紹介する。
  論文  参考訳（メタデータ） (2026-07-10T08:32:19Z)
• DexTeleop-0: Force-Aware Bimanual Dexterous Teleoperation with Ego-Centric Perception towards Shared Autonomy [6.652421441096025]
  ロボット工学における基礎的な課題は、きめ細かな両面的な操作である。 従来の遠隔操作システムは、ボディーメントギャップが正確なキネマティックマッピングを妨げているため、コンタクトリッチなタスクでは失敗する。 遠隔操作パイプライン上での微粒な操作を可能にするために,触覚駆動型適応方式を提案する。
  論文  参考訳（メタデータ） (2026-06-22T14:48:58Z)
• TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation [32.317349412479885]
  人手オブジェクトのデモは、参照トラッキングを通じて、デクスタラスラーニング(RL)ポリシーをトレーニングするための高密度な参照動作を提供する。 このような実演をRL政策学習に利用するためには、強化は手ポーズとタスク関連手オブジェクト接触構造を保たなければならない。 TopoRetargetは、さまざまな条件にまたがって単一のパラメータセットを使用するインタラクション保存フレームワークである。 TopoRetargetは、ContactPoseデータセット上のすべてのベースラインに対して、最高のコンタクト精度とアライメントを達成する。
  論文  参考訳（メタデータ） (2026-06-15T06:20:46Z)
• 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)
• 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)
• Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
  本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。 入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。 実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-09-15T17:05:02Z)

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。