論文の概要: PatternDex: Learning Interaction Patterns to Guide Reinforcement Learning of Bimanual Dexterous Manipulation of Articulated Objects

• arxiv url: http://arxiv.org/abs/2610.04765v1
• Date: Sat, 03 Oct 2026 21:04:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:53:27.374482
• Title: PatternDex: Learning Interaction Patterns to Guide Reinforcement Learning of Bimanual Dexterous Manipulation of Articulated Objects
• Title（参考訳）: PatternDex: 人工物体の2次元デキスタスマニピュレーションの強化学習をガイドするための相互作用パターンの学習
• Abstract要約: そこで本研究では,両義手による構音物体の操作を高い成功率で行う手法を開発した。 PatternDexは、人・物体のデモンストレーションから手の動きと物体の動きの相関を学習する手法である。 ARCTICデータセットを用いた実演実験において,両手手を用いたPatternDexの評価を行った。
• 参考スコア（独自算出の注目度）: 8.433486256194826
• License:
• Abstract: In this paper, we develop a method that enables bimanual dexterous hands to manipulate articulated objects with a high success rate without suffering from an embodiment gap. We observe that the correlation between hand motions and object motions is dictated by the object rather than the hands and can be learned from human-object demonstrations. Based on this observation, we propose PatternDex, a method that learns this correlation and represents it as a token sequence, which we call an interaction pattern. From this pattern, PatternDex estimates the wrist motions and contact points that fit the target robot, and then trains a reinforcement learning policy that exploits these estimates as guidance. Since the guidance fits the target embodiment, the policy explores only the actions that the target robot can execute and thus achieves high success rates. PatternDex also requires only simple fine-tuning to train a new robot, since it can reuse the learned interaction pattern. We evaluate PatternDex with bimanual dexterous hands on human demonstrations from the ARCTIC dataset. PatternDex achieves, on average, a 92.8% success rate with Allegro hands, while the state-of-the-art baseline achieves 52.2%. Also, it achieves success rates above 70% with three other robot hands after fine-tuning alone. Furthermore, we verify that the learned policy transfers well to a real-world task of opening a microwave. Videos and additional results are available at https://patterndex.github.io/PatternDex/
• Abstract（参考訳）: そこで本稿では,両手動手動手動による構音操作を,具体的ギャップに悩まされることなく,高い成功率で行う方法を提案する。 我々は手の動きと物体の動きの相関が、手ではなく物体によって予測され、人間の物体のデモンストレーションから学ぶことができることを観察した。 本研究では,この相関関係を学習し,トークンシーケンスとして表現するPatternDexを提案する。 このパターンからPatternDexは、対象ロボットに適合する手首の動きと接触点を推定し、これらの推定をガイダンスとして活用する強化学習ポリシーを訓練する。 誘導は対象の具体化に適合するため、目標ロボットが実行可能な動作のみを探索し、高い成功率を達成する。 またPatternDexは、学習したインタラクションパターンを再利用できるため、新しいロボットを訓練するためには、単純な微調整しか必要としない。 ARCTICデータセットを用いた実演実験において,両手手を用いたPatternDexの評価を行った。 PatternDexは平均92.8%の成功率、最先端のベースラインは52.2%である。 また、ファインチューニング単独で他の3つのロボットの手で70%以上の成功率を達成する。 さらに、学習したポリシーがマイクロ波を開封する現実的なタスクにうまく移行していることを検証する。 ビデオと追加結果はhttps://patterndex.github.io/PatternDex/で公開されている。

関連論文リスト

• DexMani: Human-Derived Manipulability Guidance for Dexterous Rotation [7.918622126766639]
  デックスマニ(DexMani)は、人間の実演を接触条件によるマニピュラビリティの進化として伝達するフレームワークである。 DexManiはLEAP Handで平均57.5%の成功率に達し、他のベースラインを上回っ、より滑らかな回転運動を生み出している。
  論文  参考訳（メタデータ） (2026-08-01T09:17:30Z)
• DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos [56.64773686434068]
  DexImitは、人間の操作映像を物理的に妥当なロボットデータに変換する自動フレームワークである。 DexImitは、インターネットまたはビデオ生成モデルから、人間のビデオに基づいて大規模なロボットデータを生成することができる。 ツールの使用、長距離タスク、きめ細かい操作を含む多様な操作タスクを処理できる。
  論文  参考訳（メタデータ） (2026-02-10T18:59:02Z)
• 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)
• 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)
• AnyDexGrasp: General Dexterous Grasping for Different Hands with Human-level Learning Efficiency [49.868970174484204]
  我々は,最小限のデータを用いてきめ細やかな把握を学習するための効率的なアプローチを提案する。 提案手法は,40個の訓練対象に対して数百のグリップ試行を行うだけで,人間レベルの学習効率で高い性能を達成できる。 この方法は、ヒューマノイドロボット、人工装具、その他頑丈で汎用的なロボット操作を必要とする領域に対する有望な応用を実証する。
  論文  参考訳（メタデータ） (2025-02-23T03:26:06Z)
• One-Shot Imitation under Mismatched Execution [7.060120660671016]
  人間のデモは、ロボットに長距離操作のタスクをプログラムするための強力な方法だ。 これらのデモをロボット実行可能なアクションに変換することは、運動スタイルや身体能力のミスマッチの実行による重大な課題を呈する。 シーケンスレベルの最適輸送コスト関数を用いて,人間とロボットの軌道を自動的にペアリングする新しいフレームワークRHyMEを提案する。
  論文  参考訳（メタデータ） (2024-09-10T16:11:57Z)
• Learning Reward Functions for Robotic Manipulation by Observing Humans [92.30657414416527]
  我々は、ロボット操作ポリシーのタスク非依存報酬関数を学習するために、幅広い操作タスクを解く人間のラベル付きビデオを使用する。 学習された報酬は、タイムコントラストの目的を用いて学習した埋め込み空間におけるゴールまでの距離に基づいている。
  論文  参考訳（メタデータ） (2022-11-16T16:26:48Z)
• Learning Dexterous Grasping with Object-Centric Visual Affordances [86.49357517864937]
  控えめなロボットハンドは、機敏さと人間のような形態をアピールしています。 本稿では,厳密な把握を学習するためのアプローチを提案する。 私たちのキーとなるアイデアは、オブジェクト中心の視覚的余裕モデルを深い強化学習ループに埋め込むことです。
  論文  参考訳（メタデータ） (2020-09-03T04:00:40Z)

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。