論文の概要: Dex-One2Many: Learning Dexterous Manipulation from a Single Human Demonstration

• arxiv url: http://arxiv.org/abs/2610.12470v1
• Date: Thu, 08 Oct 2026 17:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.275214
• Title: Dex-One2Many: Learning Dexterous Manipulation from a Single Human Demonstration
• Title（参考訳）: Dex-One2Many: 単一人間のデモからデクステラスマニピュレーションを学ぶ
• Abstract要約: Dex-One2Manyは、人間のビデオから一般的な操作ポリシーを学習する、リアルからシミュレート・トゥ・リアルなフレームワークである。 我々の重要な洞察は、動画をRLを導くシーケンシャルなシーングラフに抽象化し、広い一般化性を維持しながら効率的な探索を可能にすることである。 グラフは正確なポーズよりも関係を制約するため、これらのリセット状態はオブジェクトのポーズをカバーし、ビデオを超えて把握する。
• 参考スコア（独自算出の注目度）: 49.6097060414418
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While learning dexterous manipulation from a single human video offers a promising alternative to costly robot demonstrations, many recent methods predominantly imitate demonstrated motions. Such strict motion matching often limits generalization to initial object poses, goal poses, and grasps not shown in the video. Alternatively, discovering a policy via reinforcement learning (RL) allows for broad generalization, but without prior guidance, it struggles with high-dimensional exploration in complex, multi-stage tasks. To address these coupled generalization and exploration challenges, we present Dex-One2Many, a real-to-sim-to-real framework that learns a generalizable dexterous manipulation policy from a single human video. Our key insight is to abstract the video into sequential scene graphs that guide RL, enabling efficient exploration while preserving broad generalizability. The graphs serve as generative constraints for sampling diverse reset states and provide dense rewards for each stage. Because the graphs constrain relations rather than exact poses, these reset states cover object poses and grasps beyond the video, while initializing each stage from them with dense rewards keeps exploration short and guided. Trained entirely in simulation, Dex-One2Many transfers zero-shot to a real multi-fingered hand. Across five tool-use and manipulation tasks, Dex-One2Many exceeds baselines by 6.5% in seen configurations, while its robust generalization widens this gap to 71% in unseen scenarios.
• Abstract（参考訳）: 人間のビデオから巧妙な操作を学習することは、コストのかかるロボットのデモに代わる有望な代替手段を提供する一方で、最近の多くの方法は、主に実証された動きを模倣している。 このような厳密な動きマッチングは、しばしば一般化を初期オブジェクトのポーズ、ゴールのポーズ、ビデオに表示されないグリップに制限する。 あるいは、強化学習(RL)によるポリシの発見は、広範な一般化を可能にするが、事前のガイダンスがなければ、複雑な多段階タスクにおける高次元的な探索に苦労する。 このような一般化と探索の両立に対処するため,人間のビデオから汎用的な操作ポリシーを学習する現実的なフレームワークであるDex-One2Manyを提案する。 我々の重要な洞察は、動画をRLを導くシーケンシャルなシーングラフに抽象化し、広い一般化性を維持しながら効率的な探索を可能にすることである。 グラフは様々なリセット状態のサンプリングのための生成的制約として機能し、各ステージに対して密度の高い報酬を与える。 グラフは正確なポーズよりも関係を制約するため、これらのリセット状態はオブジェクトのポーズをカバーし、ビデオを超えて把握する。 完全にシミュレーションで訓練されたDex-One2Manyは、ゼロショットを本物のマルチフィンガーハンドに転送する。 5つのツールの使用と操作タスクの中で、Dex-One2Manyはベースラインを6.5%上回っている。

関連論文リスト

• OmniDex: Scaling Dexterous Hand Grasping to Diverse Cluttered Scenes [38.67257633783911]
  Dexterous graspingは、AIを具現化した基本的なプリミティブであり、堅牢なモデルをトレーニングするために大量のデータを要求する。 本稿では,スラジッシュなシーンレベルの最適化を回避し,スケーラブルなシード・アンド・フィルタ戦略を提案する。 これは、260万のシーンと0.4Bのシーン固有のグリープグラウンド真実からなる前例のないベンチマークをもたらす。
  論文  参考訳（メタデータ） (2026-10-08T03:58:37Z)
• Counterfactual Video Generation Enables Scalable Humanoid Loco-Manipulation [104.43858048650357]
  PRISMは,ヒューマノイドのロボマニピュレーションスキルを教えるための,リアルからシミュレート・トゥ・リアルなフレームワークである。 PRISMは、ビデオ・ツー・ビデオ(V2V)生成を介して、何百もの多様な「偽物」人間とオブジェクトのインタラクションビデオを生成する。 我々は、このポリシーを現実世界の微調整なしで実際のロボットに展開することで、完全なパイプラインを実証する。
  論文  参考訳（メタデータ） (2026-09-29T17:59:45Z)
• Pose6DAug: Physically Plausible Multi-view Object Swapping for Robot Data Augmentation [52.61098793949261]
  障害駆動型データ拡張フレームワークであるPose6DAugを紹介します。 我々は、ポリシーの成功エピソードを、障害モードのターゲットとなるデモに変換する。 提案手法は,時間的コヒーレントな6次元ポーズ軌道によって駆動される明示的なメッシュで対象物体を固定し,直接3次元で動作させる。
  論文  参考訳（メタデータ） (2026-06-18T11:41:25Z)
• From Human Videos to Robot Manipulation: A Survey on Scalable Vision-Language-Action Learning with Human-Centric Data [71.22409934108924]
  人間のビデオは豊富で、豊富な相互作用を捉え、現実世界の操作に多様な意味と物理的な手がかりを提供する。 この調査は、人間のビデオがビジョン・ランゲージ・アクション(VLA)モデルの効果的な知識にどのように変換されるか、統一された視点を提供する。 この領域では、非構造化動画をトレーニング可能なエピソードに構造化すること、エンボディメントと視点の不均一性の下でロボットが実行可能なアクションにビデオから制御すること、現実世界の展開性能と転送効率をよりよく予測する評価プロトコルを設計すること、の3つのオープンな課題を強調している。
  論文  参考訳（メタデータ） (2026-05-18T06:19:16Z)
• 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)
• Crossing the Human-Robot Embodiment Gap with Sim-to-Real RL using One Human Demonstration [21.94699075066712]
  本稿では,タスクを実演する人間の1つのRGB-Dビデオのみを用いて,創発的な操作ポリシーを訓練する,新しいリアルタイム・シミュレート・トゥ・リアルフレームワークを提案する。 Human2Sim2Robotは、オブジェクト認識のリプレイを55%以上上回り、模倣学習を68%以上上回っている。
  論文  参考訳（メタデータ） (2025-04-17T03:15:20Z)
• One-shot Video Imitation via Parameterized Symbolic Abstraction Graphs [8.872100864022675]
  我々は,Sybolicized Abstraction Graphs (PSAG) によるビデオデモの解釈を提案する。 さらに,非幾何学的,視覚的に知覚できない属性を推定するために,シミュレーションによる幾何学的制約を示す。 我々のアプローチは、Avocado、Cutting Vegetable、Pouring Liquid、Rolling Dough、Slicing Pizzaといった様々なタスクで検証されている。
  論文  参考訳（メタデータ） (2024-08-22T18:26:47Z)

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。