論文の概要: EigenDEXplore: Structured Exploration for Dexterous Manipulation with Human Priors

• arxiv url: http://arxiv.org/abs/2610.07681v1
• Date: Tue, 06 Oct 2026 03:15:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.78375
• Title: EigenDEXplore: Structured Exploration for Dexterous Manipulation with Human Priors
• Title（参考訳）: EigenDEXplore:ヒトの前駆体を用いたデクサラスマニピュレーションのための構造化探索
• Abstract要約: 有害な操作は、高次元最適化の問題を引き起こす。 本研究では,人間由来の固有ベクトルに摂動を加えることで相関探索を誘導するEigenDEXploreを提案する。 EigenDEXploreは、複数の器用な手にわたって、握り、手動の向きを変え、コンタクトリッチな操作において、ジョイントスペースと学習したアクションスペースベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 36.44932126070955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dexterous manipulation poses a challenging high-dimensional optimization problem, as useful behaviors require coordinated motion across many hand joints. In reinforcement learning (RL) and sampling-based trajectory optimization, exploration commonly relies on independent robot joint perturbations, making coordinated behaviors difficult to discover. Prior work reduces this search space for grasp learning using low-dimensional spaces of coordinated joint motions learned from human hand data, but this restricts the expressivity required for general manipulation. Some combine learned and joint-space actions to restore expressivity, but this increases dimensionality and introduces redundancy. We study these effects across diverse manipulation settings, varying action dimensionality, exploration strategy, and the source of human data. Our experiments suggest that human-motion priors are most effective when used to structure exploration rather than change the action representation. Motivated by this finding, we propose EigenDEXplore, which induces correlated exploration by adding perturbations along human-derived eigenvectors to independent joint-space noise, leaving the action space unchanged. Across multiple dexterous hands, EigenDEXplore consistently outperforms joint-space and learned action-space baselines in grasping, in-hand reorientation, and contact-rich manipulation. These gains span unstructured and reference-guided RL, trajectory optimization, and sim-to-real deployment, and are largest in settings with less reward shaping and curriculum design.
• Abstract（参考訳）: 有害な操作は多くの手関節をまたいだ協調動作を必要とするため、高次元最適化問題に挑戦する。 強化学習(RL)とサンプリングに基づく軌道最適化では、探索は通常、独立したロボット関節摂動に依存しており、協調行動の発見が困難である。 先行研究は、人間の手から学習した協調関節運動の低次元空間を用いて、この学習を把握するための探索空間を縮小するが、これは一般的な操作に必要な表現性を制限する。 学習と共同空間の作用を組み合わせて表現性を回復するものもあるが、これは次元性を高め、冗長性をもたらす。 様々な操作設定、様々な行動次元、探索戦略、人的データソースにまたがるこれらの効果について検討する。 実験の結果,人間の動きの先行性は,行動表現を変えるのではなく,探索を構造化する上で最も効果的であることが示唆された。 この発見に触発されたEigenDEXploreは,人間由来の固有ベクトルに摂動を加えることで相関探索を誘導し,作用空間は変化しない。 EigenDEXploreは、複数の器用な手にわたって、握り、手動の向きを変え、コンタクトリッチな操作において、ジョイントスペースと学習したアクションスペースベースラインを一貫して上回ります。 これらのゲインは、構造化されていない、参照誘導されたRL、軌道最適化、sim-to-realデプロイメントにまたがっており、報酬形成やカリキュラム設計の少ない設定で最大である。

関連論文リスト

• DexTaG: Tactile-as-Guidance in Reinforcement Learning for Dexterous Manipulation [37.293559108672454]
  グラブベースのモーションキャプチャーは、デクスタラスハンドのデモデータを収集するためのスケーラブルなアプローチとして現れている。 人手とロボット手の間の運動的ギャップのため、記録された人間の動作を直接ロボットに実行することはできない。 触覚誘導型RLフレームワークであるDexTaGを提案する。
  論文  参考訳（メタデータ） (2026-09-27T19:56:41Z)
• Stability-Driven Motion Generation for Object-Guided Human-Human Co-Manipulation [16.622175523077917]
  コマニピュレーションでは、複数の人間が動きを共有オブジェクトと同期させる必要がある。 既存のモーションジェネレーションアプローチのほとんどは、ペイロードによって引き起こされるダイナミクスを考慮していない。 本稿では,生成したコマニピュレーション動作が意図した目標と一致することを保証するフローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-22T08:31:40Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Personalized Multi-Agent Average Reward TD-Learning via Joint Linear Approximation [13.674509321097311]
  エージェントの集合が異なる環境と相互作用する、パーソナライズされたマルチエージェント平均報酬TD学習について検討した。 共有線型表現が存在するような設定に焦点をあて、エージェントの最適重みは未知の線型部分空間にまとめて置かれる。
  論文  参考訳（メタデータ） (2026-03-02T22:10:56Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• CoDA: Coordinated Diffusion Noise Optimization for Whole-Body Manipulation of Articulated Objects [14.230098033626744]
  人工物体の全身操作は、仮想人間やロボット工学の幅広い応用において、非常に困難な作業である。 本研究では,現実的な全身運動を実現するための新しい拡散雑音最適化フレームワークを提案する。 提案手法は,動作品質と身体的可視性において,既存の手法よりも優れていることを示す広範な実験を行う。
  論文  参考訳（メタデータ） (2025-05-27T17:11:50Z)
• GraMMaR: Ground-aware Motion Model for 3D Human Motion Reconstruction [61.833152949826946]
  本研究では,GraMMaRという3次元人体動作再構成のための新しいグラウンド・アウェア・モーション・モデルを提案する。 GraMMaRは、動きシーケンスの各時間ステップにおいて、ポーズにおける遷移の分布と、各関節面と接地面の間の相互作用を学習する。 運動と地面への距離変化との整合性を明確に促進するように訓練されている。
  論文  参考訳（メタデータ） (2023-06-29T07:22:20Z)

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。