論文の概要: Generative Neural Retargeting for Human-to-Robot Dexterous Manipulation
- arxiv url: http://arxiv.org/abs/2610.12440v1
- Date: Thu, 08 Oct 2026 17:57:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:54.247764
- Title: Generative Neural Retargeting for Human-to-Robot Dexterous Manipulation
- Title（参考訳）: 人-ロボット間デクサラスマニピュレーションのための生成的ニューラルリターゲティング
- Abstract要約: 我々は,フローマッチングモデルを用いて実現可能な軌道をサンプリングする textbf Generative Neural Retargeting (GNR) を提案する。
GNRは、大規模、長距離、ミリ精度の人間の実演において、スケーラブルで効率的に使用できる。
- 参考スコア（独自算出の注目度）: 18.359038443657074
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Human demonstrations are a scalable data source for learning dexterous manipulation, but the embodiment gap prevents human motion from being executed directly on robots. Inverse kinematics (IK) retargets human motion to robots efficiently but ignores dynamics, often producing infeasible motions. Reinforcement learning (RL) and sampling-based model predictive control (MPC) are commonly employed to yield dynamically feasible motions, but both are sample-inefficient and sensitive to hyperparameters. RL suffers from costly and unstable training and tedious reward engineering; MPC avoids policy optimization, yet retargets each trajectory in isolation, and solving one does not make the next easier. Sampling cost grows rapidly with dataset size and task difficulty. We hypothesize that dynamically feasible trajectories concentrate near a low-dimensional manifold shared across demonstrations, so that retargeting can be reduced to sampling from that manifold, conditioned on human motion, rather than solving a fresh optimization problem for every demonstration. We propose \textbf{Generative Neural Retargeting} (GNR), which uses a flow matching model to sample feasible trajectories. GNR outperforms MPC with only $8.5\%$ of the samples required by MPC, achieving a success rate of $56.20\%$ compared to $27.20\%$ for MPC. GNR can be used for scalable and efficient retargeting of large-scale, long-horizon, and millimeter precision human demonstrations: by applying GNR within a real-to-sim data engine, we produce a dexterous manipulation dataset with dense contact-force labels, spanning $223$k demonstrations and $3.3$k object geometries.
- Abstract（参考訳）: 人間のデモンストレーションは、巧妙な操作を学習するためのスケーラブルなデータソースであるが、実施のギャップは、人間の動きがロボットに直接実行されるのを防ぐ。
逆運動学(Inverse Kiinematics、IK)は、人間の動きをロボットに効率的に再ターゲットするが、ダイナミクスを無視し、しばしば実現不可能な動きを生み出す。
強化学習(RL)とサンプリングベースモデル予測制御(MPC)は、動的に実現可能な動作を得るために一般的に使用されるが、どちらもサンプル非効率であり、ハイパーパラメータに敏感である。
RLは高価で不安定なトレーニングと退屈な報酬エンジニアリングに悩まされており、MPCはポリシーの最適化を回避しているが、それぞれの軌道を分離して再ターゲットし、その解決は次のことを楽にしない。
データセットのサイズとタスクの難しさによって、サンプリングコストは急速に増加する。
実演間で共有される低次元多様体の近傍に動的に実現可能な軌道が集中していると仮定し, 実演毎に新しい最適化問題を解くのではなく, 人間の動作に条件付けられた, その多様体からのサンプリングに再ターゲティングを還元できることを示した。
本稿では,フローマッチングモデルを用いて実現可能なトラジェクトリをサンプリングする「textbf{Generative Neural Retargeting} (GNR)」を提案する。
GNRはMPCが必要とするサンプルのわずか8.5\%でMPCを上回り、MPCの27.20\%よりも5.6.20\%で成功している。
GNRは、大規模、長距離、ミリ精度の人間の実演のスケーラブルで効率的な再ターゲットに使用することができる: 実数値データエンジンにGNRを適用することで、密接な接触力ラベルを持つデクサラスな操作データセットを生成し、223$kの実証と3.3$kのオブジェクトジオメトリにまたがる。
関連論文リスト
- PIER-Flow: Physics-Informed Efficient Rectified Flow for Real-Time Mobile Robot Navigation [10.164953732323463]
PIER-Flowは移動ロボットのための軽量ナビゲーションポリシーである。
98.85%の成功率とゼロ衝突を達成し、平均値は$sim$1.29 msである。
論文 参考訳（メタデータ） (2026-07-11T12:34:28Z) - X-OP: Cross-Morphology Whole-Body Teleoperation via MPC Retargeting [3.134050607080983]
全体遠隔操作は、ロコ操作タスクにおけるスケーラブルなロボットデータ収集に不可欠である。
単一のXRデバイスによって駆動される階層的な全身遠隔操作フレームワークを提案する。
我々は,ヒューマノイドと移動マニピュレータの双方において,全身制御タスクにおいて高い成功率を示す。
論文 参考訳（メタデータ） (2026-06-06T01:50:59Z) - Make Tracking Easy: Neural Motion Retargeting for Humanoid Whole-body Control [43.01629060165596]
本稿では,不均一な動きを潜在モチーフにグループ化するニューラルモーション・リターゲティング・フレームワークを提案する。
この戦略により、計算の並列学習の専門家は大幅に削減される。
参照は、全身制御ポリシーの収束を加速する。
論文 参考訳（メタデータ） (2026-03-23T16:59:00Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - SPIDER: Scalable Physics-Informed Dexterous Retargeting [45.24491726503442]
ヒューマノイドとデキスタラスハンドコントロールのためのデキスタラスとアジャイルのポリシーを学ぶには、大規模なデモが必要です。
人間のモーションデータは、モーションキャプチャー、ビデオ、バーチャルリアリティーから利用可能で、データ不足の問題に対処するのに役立ちます。
本研究では,人間の実演をロボット軌道に動的に拡張する物理ベースのフレームワークであるSPIDERを提案する。
論文 参考訳（メタデータ） (2025-11-12T16:54:00Z) - OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。
インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。
人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
論文 参考訳（メタデータ） (2025-09-30T17:59:02Z) - One-Step Diffusion Policy: Fast Visuomotor Policies via Diffusion Distillation [80.71541671907426]
OneStep Diffusion Policy (OneDP)は、事前訓練された拡散政策から知識を単一ステップのアクションジェネレータに蒸留する新しいアプローチである。
OneDPはロボット制御タスクの応答時間を著しく短縮する。
論文 参考訳（メタデータ） (2024-10-28T17:54:31Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Demonstration-Efficient Guided Policy Search via Imitation of Robust
Tube MPC [36.3065978427856]
我々は,計算コストのかかるモデル予測制御器(MPC)を,深層ニューラルネットワークとImitation Learning(IL)に基づくより計算効率の良い表現に圧縮する戦略を提案する。
MPCのロバスト管変種(RTMPC)を生成し,その特性を活用することにより,高実演効率を実現するデータ拡張手法を提案する。
本手法は, DAgger や Domain Randomization などの IL において, 実演効率, 摂動に対する頑健性において, トレーニング中に見つからない戦略よりも優れていた。
論文 参考訳（メタデータ） (2021-09-21T01:50:19Z)
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。