論文の概要: DexForge: High-Fidelity Physics-Informed Dexterous Retargeting

• arxiv url: http://arxiv.org/abs/2610.06331v1
• Date: Mon, 05 Oct 2026 13:40:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:06:38.193481
• Title: DexForge: High-Fidelity Physics-Informed Dexterous Retargeting
• Title（参考訳）: DexForge:高忠実度物理インフォームドデクステラスリターゲティング
• Abstract要約: DexForgeは、人間の実演を高忠実度ロボットの動きに変換するための、微分可能な物理地上フレームワークである。 ベースラインの約35～53ポイントの成功率の上昇を示す。 さらに実験では、MuJoCoへのオープンループ転送と実ロボット実行が実証されている。
• 参考スコア（独自算出の注目度）: 26.112861339420153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human demonstrations offer rich examples of precise dexterous manipulation and a promising source of robot training data. However, high-fidelity reproduction of demonstrated motions and hand-object interactions across robot embodiments remains challenging under physical constraints. We present DexForge, a differentiable physics-grounded framework for converting human video demonstrations into high-fidelity robot trajectories. We reconstruct spherical-Gaussian object models and hand-object motion from visual observations, then build a differentiable simulator combining efficient Gaussian collision detection with existing differentiable dynamics. Based on this simulator, DexForge combines contact-aware kinematic retargeting with force-aware dynamics retargeting: robot-adapted stable contacts guide kinematic reference construction and subsequent gradient-based control refinement for precise physical motion reproduction. Experiments on 130 DexYCB and HOT3D demonstrations across seven dexterous hands show success-rate gains of approximately 35-53 percentage points over the baseline, with object position and orientation tracking errors on successful trajectories reduced by approximately 34-67% and 71-78%, respectively. Further experiments demonstrate open-loop transfer to MuJoCo and real-robot execution. Our project page is available at https://wmz1226.github.io/DexForge/
• Abstract（参考訳）: 人間のデモは、正確な巧妙な操作の豊富な例と、ロボットのトレーニングデータの有望な情報源を提供する。 しかし、実演運動の高忠実な再現と、ロボットの体格間の手-物体相互作用は、物理的な制約の下では困難なままである。 DexForgeは、人間のビデオのデモを高忠実度ロボット軌道に変換するための、微分可能な物理地上フレームワークである。 球面-ガウス物体モデルと手動物体の動きを視覚観測から再構成し,ガウス衝突検出と既存の微分力学を併用した微分可能シミュレータを構築した。 このシミュレーターに基づいて、DexForgeは接触認識キネマティックリターゲティングと力認識動的リターゲティングを組み合わせ、ロボット適応型安定接触は運動基準構築をガイドし、その後の勾配制御による正確な運動再現を誘導する。 130個のDexYCBとHOT3Dによる実験では、ベースラインの約35～53ポイントが成功し、軌道上の物体位置と方向追跡誤差は、それぞれ約34～67%、71～78%減少していた。 さらに実験では、MuJoCoへのオープンループ転送と実ロボット実行が実証されている。 私たちのプロジェクトページはhttps://wmz1226.github.io/DexForge/で公開されています。

関連論文リスト

• Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
  ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。 これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。 その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
  論文  参考訳（メタデータ） (2026-10-05T11:08:50Z)
• FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting [51.97027820630168]
  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。
  論文  参考訳（メタデータ） (2026-10-01T15:15:42Z)
• WorldLine: Action-Driven Visual Simulation for Robotic Manipulation [87.68211863253049]
  実世界のロボット学習は、経験を収集し、候補行動を評価するコストに制約される。 異種アクショングラウンドから学習した移動可能なダイナミクスを分離する,アクション駆動型ビジュアルシミュレータ WorldLine を紹介する。 WorldLineは、1万時間以上のアクションフリーロボットビデオから操作のダイナミクスを学び、2000時間以上のアクショントラジェクトリを使ってそれらをグラウンドする。
  論文  参考訳（メタデータ） (2026-09-29T17:26:22Z)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Unleashing Infinite Motion: Scaling Expressive Quadrupedal Motion via Generative Video Priors [16.885943699439377]
  私たちは、アクロバティックな動作とパフォーマンス的な動作にまたがる7,488個の四足歩行のオープンソースデータセットであるQuad-Imaginariumをリリースした。 生成問題として対応するデータをフレーミングすることで、動物をループから除去する、完全に自動化されたパイプラインであるUni-Moをリリースする。 実Unitree Go2上の392個のランダムサンプリング動作を96.7%の成功率で検証し,97.6%の成功率で補完した。
  論文  参考訳（メタデータ） (2026-06-26T16:23:40Z)
• SimGenHOI: Physically Realistic Whole-Body Humanoid-Object Interaction via Generative Modeling and Reinforcement Learning [6.255814224573073]
  SimGenHOIは、生成モデリングと強化学習の強みを組み合わせた統一的なフレームワークであり、制御可能で物理的に妥当なHOIを生成する。 本研究では,Diffusion Transformers (DiT) に基づくHOI生成モデルを用いて,テキストプロンプト,オブジェクト形状,スパースオブジェクトウェイポイント,初期ヒューマノイドポーズのセットを予測した。 身体的現実性を確保するため,強化学習で訓練された接触認識全身制御ポリシーを設計し,その動作をトラッキングし,侵入や足の滑りなどのアーティファクトを補正する。
  論文  参考訳（メタデータ） (2025-08-18T15:20:46Z)
• PhysiInter: Integrating Physical Mapping for High-Fidelity Human Interaction Generation [35.563978243352764]
  人間のインタラクション生成パイプライン全体に統合された物理マッピングを導入する。 具体的には、物理に基づくシミュレーション環境での運動模倣は、ターゲットの動きを物理的に有効な空間に投影するために使用される。 実験の結果,人間の運動の質は3%～89%向上した。
  論文  参考訳（メタデータ） (2025-06-09T06:04:49Z)
• Robot See Robot Do: Imitating Articulated Object Manipulation with Monocular 4D Reconstruction [51.49400490437258]
  本研究は,1つの単分子RGB人間の実演から音声による物体操作を模倣する手法を開発した。 まず,モノクロ映像から3次元部分運動を復元する4次元微分可能部品モデル(4D-DPM)を提案する。 この4D再構成を前提として、ロボットは物体の軌道を再現し、両腕の動きを計画し、実証された物体部分の動きを誘導する。 両用するYuMiロボットを用いて,4D-DPMの3D追跡精度を実写3D部分軌跡に基づいて評価し,9つのオブジェクトに対してRSRDの物理的実行性能を評価した。
  論文  参考訳（メタデータ） (2024-09-26T17:57:16Z)
• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)

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。