論文の概要: YOCO: You Only Calibrate Once! Fast Mocap Calibration for Dexterous Teleoperation

• arxiv url: http://arxiv.org/abs/2610.11657v1
• Date: Thu, 08 Oct 2026 10:34:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.959106
• Title: YOCO: You Only Calibrate Once! Fast Mocap Calibration for Dexterous Teleoperation
• Title（参考訳）: YOCO: 一度だけキャリブレーションする! デクサラス遠隔操作のための高速モキャップキャリブレーション
• Abstract要約: YOCOは高速な数ショット、微調整、ペアなしのキャリブレーションフレームワークで、小さなターゲットのポーズからバイアスのあるポーズストリームを修正する。 我々は、InterHandシーケンスに合成ドリフトを付加してYOCOを訓練し、拡張されたInterHandシーケンス、オフラインリアルグローブデータ、デクスタラス遠隔操作タスクを評価する。
• 参考スコア（独自算出の注目度）: 16.301209914922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dexterous teleoperation requires reliable human-hand state estimations. However, common low-cost motion-capture gloves and markerless trackers often exhibit biases that vary across users, glove fit, and recording sessions, degrading retargeting and demonstration quality. We present YOCO, a fast few-shot, fine-tuning-free calibration framework that corrects biased hand-pose streams from a small set of paired raw and target poses. Instead of optimizing a separate model for every operator or session, YOCO conditions a calibration HyperNet on the paired examples and predicts LoRA-style updates for a frozen MANO hand-estimation module, turning per-user calibration into a lightweight feed-forward adaptation step while preserving the geometric prior of MANO and the efficiency of a compact estimator. We train YOCO with synthetic drift augmentations on InterHand2.6M and evaluate on augmented InterHand sequences, offline real glove data, and dexterous teleoperation tasks. Across these settings, YOCO improves calibration efficiency, hand-state estimation quality and teleoperation performance compared with uncalibrated input and standard calibration baselines.
• Abstract（参考訳）: 不安定な遠隔操作には、信頼性の高い人手状態推定が必要である。 しかし、一般的な低コストのモーションキャプチャーグローブとマーカーレストラッカーは、ユーザによって異なるバイアス、グローブフィット、記録セッション、リターゲティングの劣化、デモ品質を示すことが多い。 簡単な数発の微調整不要なキャリブレーションフレームワークであるYOCOについて述べる。 YOCOは、オペレータやセッション毎に個別のモデルを最適化する代わりに、ペア化された例にキャリブレーションハイパーネットを指定し、凍結したMANOハンド推定モジュールのLoRAスタイルの更新を予測し、ユーザごとのキャリブレーションを、MANOの幾何学的事前とコンパクトな推定器の効率を保ちながら、軽量なフィードフォワード適応ステップに変換する。 我々は、InterHand2.6Mに合成ドリフトを付加してYOCOを訓練し、拡張されたInterHandシーケンス、オフラインリアルグローブデータ、デクスタラス遠隔操作タスクを評価する。 これらの設定全体にわたって、YOCOは未校正入力や標準校正ベースラインと比較して校正効率、手の状態推定品質、遠隔操作性能を改善している。

関連論文リスト

• DST-Calib: A Dual-Path, Self-Supervised, Target-Free LiDAR-Camera Extrinsic Calibration Network [57.22935789233992]
  本稿では,オンライン方式で動作するLiDARカメラ外装キャリブレーションネットワークについて紹介する。 提案手法は,一般化可能性の観点から既存手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-03T13:57:01Z)
• Unconstrained Monotonic Calibration of Predictions in Deep Ranking Systems [29.90543561470141]
  ランク付けモデルの絶対値は、特定の下流タスクに必須である。 既存のキャリブレーション手法では、元の予測を調整するために順序保存特性を持つ事前定義された変換関数を用いるのが一般的である。 本研究では,任意の単調関数を学習可能なunconstrained Monotonic Neural Network (UMNN) を用いたキャリブレータの実装を提案する。 このアプローチはキャリブレータの制約を著しく緩和し、元の予測を過度に歪ませることを避けながら、柔軟性と表現性を向上する。
  論文  参考訳（メタデータ） (2025-04-19T09:35:11Z)
• UniCal: Unified Neural Sensor Calibration [32.7372115947273]
  自動運転車(SDV)には、LiDARとカメラの正確な校正が必要である。 従来のキャリブレーション手法では、制御され構造化されたシーンでキャプチャされたフィデューシャルを利用し、処理を最適化するために対応を計算する。 我々は、複数のLiDARとカメラを備えたSDVを強制的に校正する統合フレームワークUniCalを提案する。
  論文  参考訳（メタデータ） (2024-09-27T17:56:04Z)
• Kalib: Easy Hand-Eye Calibration with Reference Point Tracking [52.4190876409222]
  カリブ (Kalib) は、視覚基礎モデルの一般化性を利用して課題を克服する手眼自動校正法である。 校正中は、ロボットの後ろの空間内のカメラ座標3D座標に運動基準点を追跡する。 Kalibのユーザフレンドリな設計と最小限のセットアップ要件により、非構造化環境での継続的操作のソリューションとなり得る。
  論文  参考訳（メタデータ） (2024-08-20T06:03:40Z)
• EasyHeC: Accurate and Automatic Hand-eye Calibration via Differentiable Rendering and Space Exploration [49.90228618894857]
  我々は、マーカーレスでホワイトボックスであり、より優れた精度とロバスト性を提供するEasyHeCと呼ばれる手眼校正の新しいアプローチを導入する。 我々は,2つの重要な技術 – レンダリングベースのカメラポーズの最適化と整合性に基づく共同空間探索 – を利用することを提案する。 本評価は,合成および実世界のデータセットにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-05-02T03:49:54Z)
• Localized Calibration: Metrics and Recalibration [133.07044916594361]
  完全大域キャリブレーションと完全個別化キャリブレーションのギャップにまたがる細粒度キャリブレーション指標を提案する。 次に,局所再校正法であるLoReを導入し,既存の校正法よりもLCEを改善する。
  論文  参考訳（メタデータ） (2021-02-22T07:22:12Z)
• Multi-Class Uncertainty Calibration via Mutual Information Maximization-based Binning [8.780958735684958]
  ポストホック多クラスキャリブレーションは、ディープニューラルネットワーク予測の信頼度推定を提供する一般的なアプローチである。 近年の研究では、広く使われているスケーリング手法がキャリブレーション誤差を過小評価していることが示されている。 類似クラス間で1つのキャリブレータを共有する共有クラスワイド(sCW)キャリブレーション戦略を提案する。
  論文  参考訳（メタデータ） (2020-06-23T15:31:59Z)
• Calibrating Deep Neural Networks using Focal Loss [77.92765139898906]
  ミススキャリブレーション(Miscalibration)は、モデルの信頼性と正しさのミスマッチである。 焦点損失は、既に十分に校正されたモデルを学ぶことができることを示す。 ほぼすべてのケースにおいて精度を損なうことなく,最先端のキャリブレーションを達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T17:35:50Z)

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。