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

• arxiv url: http://arxiv.org/abs/2610.01849v2
• Date: Sun, 04 Oct 2026 15:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 04:43:28.524326
• 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: 人間の手オブジェクトのデモは、器用なロボット学習のためのスケーラブルなデータソースを提供する。 既存の物理学に基づく手法は、通常、それぞれのデモンストレーションを独立して最適化する。 マルチ参照トラッキングのためのRLフレームワークであるFlashDexRetargetを紹介する。
• 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 provide a scalable source of data for dexterous robot learning, but transferring them across embodiments requires physically feasible retargeting. Existing physics-based methods typically optimize each demonstration independently, leading to either limited success under finite simulation budgets or training costs that grow with dataset size. We introduce FlashDexRetarget, an RL framework for multi-reference dexterous retargeting. We formulate retargeting as multi-reference tracking, jointly learning a single policy across many demonstrations with off-policy RL and geometric supervision of the demonstrated interactions. This shared training formulation amortizes optimization across references while enabling the policy to track diverse hand-object interactions. On a 50-motion benchmark from TACO, OakInk2, and HOT3D using XHand and Sharpa Wave Hand as target embodiments, FlashDexRetarget retargets 90% of demonstrations using about 30 GPU-hours, compared with about 46% at about 3,000 GPU-hours for CHORD. This corresponds to about 100 times lower training compute and a 44-percentage-point improvement in retargeting success. Ablations examine the key design choices, while experiments with up to 1,000 motions and real-world replay further demonstrate the scalability and practical applicability of our method.
• Abstract（参考訳）: 人間の手-オブジェクトのデモは、器用なロボット学習のためのスケーラブルなデータソースを提供するが、それを実施するためには、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手法は、通常、それぞれのデモンストレーションを独立して最適化し、有限のシミュレーション予算の下で限られた成功をもたらすか、データセットサイズで成長するトレーニングコストをもたらす。 マルチ参照デクサラスリターゲティングのためのRLフレームワークであるFlashDexRetargetを紹介する。 マルチ参照追跡として再ターゲティングを定式化し、実証された相互作用の非政治的RLと幾何学的監督により、多くの実演において単一のポリシーを共同で学習する。 この共有トレーニングの定式化は、ポリシーが多様な手動オブジェクトのインタラクションを追跡することを可能にしながら、参照間の最適化を補正する。 XHandとSharpa Wave HandをターゲットとしたTACO、OakInk2、HOT3Dの50モーションベンチマークでは、約30GPU時間を使用して、FlashDexRetargetが90%のデモをターゲットとしている。 これは、トレーニング計算の約100倍の低下と、再ターゲティング成功の44パーセントの改善に対応している。 アブレーションでは,最大1000個のモーションと実世界のリプレイによる実験により,本手法のスケーラビリティと実用性について検証した。

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。