論文の概要: FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting

• arxiv url: http://arxiv.org/abs/2610.01849v1
• Date: Thu, 01 Oct 2026 15:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.220156
• Title: FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting
• Title（参考訳）: FlashDexRetarget: マルチモーションリターゲットによるデクサラス操作データ生成の高速化
• Abstract要約: FlashDexRetargetはRLベースのフレームワークで、高精度で効率的なデクサラスなモーション操作ができる。 50のモーションのベンチマークでは、FlashDexRetargetは90%の成功率を達成し、評価ベースのベースラインよりも最大100倍のトレーニング計算を必要とする。 本手法は大規模で安定であり, トレーニングセットの増大に伴い, より効率的に再ターゲット運動を行うことができる。
• 参考スコア（独自算出の注目度）: 51.97027820630168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human hand-object demonstrations offer a reusable source of dexterous robot manipulation data, but transferring them across embodiments requires physically feasible retargeting. Existing physics-based approaches face limitations in retargeting success, motion-specific training efficiency, or both. To address these limitations, we introduce FlashDexRetarget, an RL-based framework for high-success, efficient dexterous motion retargeting. To make the demonstrated interaction easier to learn, we combine object point-cloud observations, hand-object distance features, and future trajectory encodings with complementary rewards that supervise object motion and reference hand-object relationships. To further accelerate learning, we employ separate left- and right-hand actor critic networks and adapt the off-policy algorithm, FlashSAC to dexterous motion tracking. On a benchmark of 50 motions spanning single-object and two-object interactions, FlashDexRetarget achieves a 90% success rate, approximately 2.5x that of the evaluated sampling-based baselines, while requiring up to 100x less training compute than the evaluated RL-based baselines. Evaluations on both XHand and Sharpa Wave Hand show consistent gains, and component-wise ablations examine the contributions of our design choices. Beyond the 50-motion benchmark, experiments with 200, 500, and 1,000 motions demonstrate that our method remains stable at larger scales and produces successful retargeted motions more efficiently as the training set grows. Qualitative replay results using real-world-captured demonstrations further illustrate the applicability of our framework to recorded human manipulation. Videos and code are available at https://davian-robotics.github.io/FlashDexRetarget/
• Abstract（参考訳）: 人間の手動物体のデモは、器用なロボット操作データの再利用可能なソースを提供するが、それを体感的に転送するには物理的に実現可能な再ターゲティングが必要である。 既存の物理ベースのアプローチでは、成功の再ターゲティング、モーション固有のトレーニング効率、あるいはその両方に制限がある。 これらの制限に対処するため、RLベースの高速かつ効率的なデクスタラスモーションリターゲティングのためのフレームワークであるFlashDexRetargetを紹介した。 実演された対話を学習し易くするために,物体の運動と参照対象の関係を監督する補完的な報酬と,物体-クラウド観測,手-物体距離特徴,および将来の軌道符号化を組み合わせる。 学習をさらに加速するため、我々は左右のアクター批評家ネットワークを別々に採用し、非政治的アルゴリズムであるFlashSACをデクスタラスモーショントラッキングに適用した。 シングルオブジェクトと2オブジェクトのインタラクションにまたがる50の動作のベンチマークにおいて、FlashDexRetargetは、評価されたサンプリングベースベースラインの約2.5倍の90%の成功率を達成すると同時に、評価されたRLベースベースラインよりも最大100倍少ないトレーニング計算を必要とする。 XHand と Sharpa Wave Hand の評価は、一貫した利得を示し、コンポーネントワイド・アブレーションは、設計選択の貢献を検証します。 50-motionベンチマークの他に、200,500,1,000のモーションを用いた実験は、我々の手法が大規模に安定であり、トレーニングセットが大きくなるにつれて、より効率的に再ターゲットされたモーションを生成できることを実証している。 実世界キャプチャによる実世界のデモによる定性的なリプレイの結果は、我々のフレームワークが人間の操作記録に適用可能であることをさらに示している。 ビデオとコードはhttps://davian-robotics.github.io/FlashDexRetarget/で公開されている。

関連論文リスト

• Morphometric Imitation: From Morphology and Contact Aware Hand Retargeting to Sim-to-Real Visuomotor Policy [29.295652874736934]
  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。
  論文  参考訳（メタデータ） (2026-09-23T18:05:36Z)
• 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)
• 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)
• 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)
• 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)
• DexMachina: Functional Retargeting for Bimanual Dexterous Manipulation [48.68321200585559]
  本研究では,人間の手動物体から対象状態を追跡するための機能的難解な操作ポリシーの問題点について検討する。 そこで我々は,仮想オブジェクトコントローラを強度で使用するという,新しいカリキュラムベースのアルゴリズムを提案する。 DexMachinaがベースライン法を著しく上回っていることを示すため,多様なタスクセットと器用な手を用いたシミュレーションベンチマークを作成した。
  論文  参考訳（メタデータ） (2025-05-30T17:50:23Z)
• Motion Sensitive Contrastive Learning for Self-supervised Video Representation [34.854431881562576]
  動作感性コントラスト学習(MSCL)は、光学フローによって捉えられた動き情報をRGBフレームに注入し、特徴学習を強化する。 フレームレベルのコントラスト目標を持つ局所運動コントラスト学習(LMCL)。 Flow Rotation Augmentation (FRA) は追加のモーションシャッフル負のサンプルを生成し、Motion Differential Smpling (MDS) はトレーニングサンプルを正確にスクリーニングする。
  論文  参考訳（メタデータ） (2022-08-12T04:06:56Z)

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。