論文の概要: FINGR: Learning Dexterous Hand Control for Real-World Rubik's Cube Solving

• arxiv url: http://arxiv.org/abs/2609.33973v1
• Date: Sun, 27 Sep 2026 22:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.704363
• Title: FINGR: Learning Dexterous Hand Control for Real-World Rubik's Cube Solving
• Title（参考訳）: FINGR:実世界のルービックキューブ解法におけるデクサスハンドコントロールの学習
• Abstract要約: FINGR (Future-supervised Interaction Network with Geometric Representations) は指相対幾何学と将来の対話予測を組み合わせた政策である。 実のところ、我々の政策は、ベースフロー政策の79.7%と比較して、300ターンの試行よりも99.0%成功している。 グルーピングとテーブルアシストのリグラスと統合され、約137秒で10個のスクランブルされた2時間2時間2ドルキューブを解く。
• 参考スコア（独自算出の注目度）: 6.082234879053211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Manipulating a Rubik's Cube with a single dexterous hand is a challenging test of sustained, contact-rich control: the hand must execute successive layer turns while keeping the cube secure. Each turn requires some fingers to support the cube while others push a moving layer, release contact, and reset for the next move. To learn this coordination, we introduce FINGR (Future-supervised Interaction Network with Geometric Representations), a policy that combines finger-relative geometry with future interaction prediction. A shared point encoder expresses the cube relative to each fingertip and aggregates its points without depending on cubie indexing. Learned future tokens share the observation encoder and receive supervision for contact-force changes, layer-turn progress, and finger joint displacement at multiple time scales. The resulting representation conditions a flow policy that directly generates finger actions. On a real dexterous hand, our policy achieves 99.0% success over 300 turn attempts, compared with 79.7% for the base flow policy. Integrated with grasping and table-assisted regrasping, the policy solves all ten scrambled $2\times2\times2$ cubes in a mean complete-system time of approximately 137 seconds. The project website is available at https://www.lyt0112.com/projects/FINGR
• Abstract（参考訳）: ルービックキューブを1つの手で操作することは、持続的でコンタクトリッチな制御の難しいテストである。 各ターンは立方体を支えるためにいくつかの指を必要とし、他のターンは移動層を押し、接触を解放し、次の移動のためにリセットする。 この調整を学習するために,指相対幾何学と将来の対話予測を組み合わせたFINGR(Future-supervised Interaction Network with Geometric Representations)を導入する。 共有点エンコーダは、各指先に対して立方体を表現し、キュービーインデックスに依存することなくその点を集約する。 学習した未来のトークンは観察エンコーダを共有し、複数の時間スケールで接触力の変化、層反転進行、指関節変位の監督を受ける。 結果の表現は、指の動きを直接生成するフローポリシーを条件にしている。 実のところ、我々の政策は、ベースフロー政策の79.7%と比較して、300ターンの試行よりも99.0%成功している。 グリーピングとテーブルアシストのリグラスと統合され、約137秒で10個のスクランブルされた2\times2\times2$立方体を解く。 プロジェクトのWebサイトはhttps://www.lyt0112.com/projects/FINGRで公開されている。

関連論文リスト

• CLAP: Closed-Loop Alignment with Pressure for Precise Suction Manipulation [50.72629909392354]
  本稿では,真空ラインにタップされた圧力モジュールを通してアタッチメント状態を観測できるCLAPを提案する。 データについては、物理ロボット上でゴール状態の分解を記録し、関節状態のシーケンスをオフラインで反転させる。 実際のUnitree Z1では、1つのマルチタスクチェックポイントが96.67%に達する。
  論文  参考訳（メタデータ） (2026-09-26T16:40:23Z)
• Grasp2Twist: Learning Bimanual Dexterous Jar Opening by Reinforcement Learning [16.97167456504627]
  本稿では,強化学習を用いてオープンジャー蓋の握りとねじりを学習する両用デキスタラス操作システムであるGrasp2Twistについて述べる。 このタスクの学習には、3つの課題がある。多段階のタスクに対する統一されたポリシーの学習、蓋のねじれの維持、およびシム・トゥ・リアル・トランスファーである。 手のひらと指先によって形成される凸部と物体中心の幾何学的関係から導かれる。 我々は,これらの接触変化の探索を容易にするために3段階のカリキュラムを使用し,シミュレート・トゥ・リアル・トランスファーの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2026-09-25T23:01:33Z)
• Geometric and Semantic Coupling for Interaction Understanding in 3D Scenes [42.87740646281754]
  本稿では,パートハンド結合による幾何学的および意味的証拠を組み合わせたSEGMENT-SNAPを提案する。 独立に訓練された3つの予測器は、可動部、高密度ハンドル、および部分関連ハンドル提案を復元する。 私たちのシステムはArticulate3D Challengeでも1位を獲得しました。
  論文  参考訳（メタデータ） (2026-09-21T18:02:34Z)
• 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)
• DexVerse: A Modular Benchmark for Multi-Task, Multi-Embodiment Dexterous Manipulation [66.68529423691461]
  DexVerseは、デクスタラスな操作のための大規模かつモジュール化されたベンチマークである。 我々は、19のタスクに対して拡散ポリシー、DP3、OpenVLA、および$_0.5$などの代表的手法をベンチマークする。 その結果、タスクの一般化と視覚運動の堅牢性において大きな課題が浮かび上がっている。
  論文  参考訳（メタデータ） (2026-07-09T17:50:47Z)
• LAMP: Latent Motion Prior-Guided Real-World Learning for Dexterous Hand Manipulation [39.42195733137399]
  高次元手動作は模倣誤りを増幅し、強化学習探索を接触破壊運動にもたらす。 我々は、最近のハンドアクション履歴をコンパクトで履歴条件付き潜在モジュールにマッピングする潜在動作先行モジュールを導入する。 Methodは実世界の3段階のデクスタス学習フレームワークで、デモから事前訓練し、ビジュモータポリシーをトレーニングし、オンライン残留RLでポリシーを改善する。
  論文  参考訳（メタデータ） (2026-07-07T14:22:31Z)
• EquiDexFlow: Contact-Grounded SE(3)-Equivariant Dexterous Grasp Generative Flows [5.99447754429793]
  EquiDexFlowは、手首のポーズ、関節角、指先接触、表面正常、物体の点雲からの接触力を予測する。 我々は16-DoFアレッグロハンドのために81個の物体にまたがる8,100個の力閉鎖グリップを訓練した。 本モデルでは, 摩擦破壊がゼロ, 合成スコアが最高, レンチ残差が最低となる。
  論文  参考訳（メタデータ） (2026-06-10T22:27:03Z)
• SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
  Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。 我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-13T07:37:00Z)
• Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
  既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。 本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:57:00Z)
• HandVoxNet++: 3D Hand Shape and Pose Estimation using Voxel-Based Neural Networks [71.09275975580009]
  HandVoxNet++は、完全に教師された方法でトレーニングされた3Dおよびグラフ畳み込みを備えた、ボクセルベースのディープネットワークである。 HandVoxNet++は2つの手形状表現に依存している。1つは手形状の3Dボキセル化グリッドで、メッシュトポロジを保存していない。 我々は、新しいニューラルグラフ畳み込みに基づくメッシュレジストレーション(GCN-MeshReg)または古典的セグメントワイド非リジッド重力法(NRGA++)と、手表面をボキセル化ハンド形状に整列させることにより、両表現の利点を組み合わせる。
  論文  参考訳（メタデータ） (2021-07-02T17:59:54Z)

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。