論文の概要: Human2Dex: Dexterous Robot Learning from Wrist-Centric Human Demonstrations

• arxiv url: http://arxiv.org/abs/2610.13119v1
• Date: Fri, 09 Oct 2026 07:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.44797
• Title: Human2Dex: Dexterous Robot Learning from Wrist-Centric Human Demonstrations
• Title（参考訳）: 人間2Dex:人間中心のデモから学ぶデクスタースロボット
• Abstract要約: 我々は手首中心の人間デモインタフェースであるHuman2Dexを紹介する。 対象手に対して人間の手の動きを融合させることにより、実行可能監視を構築する。 Human2DexはLinker O6で109/120 (90.8%)、Wujiで97/120 (80.8%)を達成している。
• 参考スコア（独自算出の注目度）: 7.387757376866816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collecting dexterous manipulation demonstrations for each robot hand requires repeated task-specific data acquisition. We ask whether one shared corpus of natural human demonstrations can instead serve as a reusable data interface for different dexterous hands, without collecting task demonstrations on each target robot. We present Human2Dex, a wrist-centric human demonstration interface that separates shared human observation and motion semantics from embodiment-specific execution. It aligns observations through local hand-appearance adaptation and a shared 21-point hand representation with consistent structural semantics across human and robot observations. It constructs executable supervision by retargeting fused human hand motion to each target hand, and introduces the Grasp-Pocket Interaction Representation (GPIR) to express tracked objects relative to a hand-centered Functional Grasp Pocket. The corpus is converted into separate training sets for Linker O6 and Wuji, while action labels, normalization, training, and diffusion-policy checkpoints remain hand-specific. Across six real-world tasks, Human2Dex achieves 109/120 (90.8%) successes on Linker O6 and 97/120 (80.8%) on Wuji. Across both hands, Human-Raw achieves 63/240 (26.3%) successes, whereas the complete Human2Dex configuration achieves 206/240 (85.8%). These results support the use of wrist-centric human demonstrations as a reusable interface across calibrated dexterous hands while retaining embodiment-specific policy learning. The project website is publicly available at https://human2dex.pages.dev/.
• Abstract（参考訳）: ロボットハンドごとに巧妙な操作デモを収集するには、繰り返しタスク固有のデータ取得が必要である。 そこで本研究では,人間による実演の共有コーパスが,対象ロボットのタスク・デモを収集することなく,異なる器用な手のための再利用可能なデータ・インタフェースとして機能するかどうかを問う。 我々は、人間の観察と動作のセマンティクスをエンボディメント固有の実行から分離する手首中心の人間デモインタフェースであるHuman2Dexを提案する。 局所的な手見の適応と、人間とロボットの観察を横断する一貫した構造的意味論による21点手表現を通して、観察を一致させる。 融合した人間の手の動きを対象の手に再ターゲティングすることで、実行可能な監視を構築するとともに、手中心の機能的なGrasp Pocketに対して、追跡対象を表現するためのGrasp-Pocket Interaction Representation(GPIR)を導入する。 コーパスはLinker O6とWujiの別個のトレーニングセットに変換され、アクションラベル、正規化、トレーニング、拡散ポリティクスチェックポイントは手作業で保持される。 6つの現実世界のタスクで、Human2DexはLinker O6で109/120 (90.8%)、Wujiで97/120 (80.8%)成功している。 一方、Human-Rawは63/240 (26.3%)、Human2Dexの完全な構成は206/240 (85.8%)である。 これらの結果は,手首中心の人体実験を,体感特異的な政策学習を維持しつつ,校正された手指間の再利用可能なインターフェースとして活用することを支援する。 プロジェクトのWebサイトはhttps://human2dex.pages.dev/.comで公開されている。

関連論文リスト

• InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
  自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。 まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。 第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。 第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
  論文  参考訳（メタデータ） (2026-10-05T17:59:50Z)
• PatternDex: Learning Interaction Patterns to Guide Reinforcement Learning of Bimanual Dexterous Manipulation of Articulated Objects [8.433486256194826]
  そこで本研究では,両義手による構音物体の操作を高い成功率で行う手法を開発した。 PatternDexは、人・物体のデモンストレーションから手の動きと物体の動きの相関を学習する手法である。 ARCTICデータセットを用いた実演実験において,両手手を用いたPatternDexの評価を行った。
  論文  参考訳（メタデータ） (2026-10-03T21:04:21Z)
• DexRoam: Learning Mobile Bimanual Dexterous Manipulation from Egocentric Whole-Body Human Demonstrations [39.780100610094884]
  DexRoamは、人間のデモンストレーションからモバイルバイマン的なデキスタラスな操作を学習するためのシステムである。 コンシューマーVRヘッドセットとヘッドマウントステレオカメラのみで、外部カメラやモーショントラッカーを使わずに、トラッカーレスキャプチャシステムを開発した。 次に,ロボットの動作空間に撮影動作をマッピングする,3つの明示的なアライメントステージを実行する。
  論文  参考訳（メタデータ） (2026-09-28T17:59:10Z)
• Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
  Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。 主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。 ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
  論文  参考訳（メタデータ） (2026-09-18T09:06:15Z)
• RealDexUMI: A Wearable Universal Manipulation Interface for Dexterous Robot Learning [21.875676616617838]
  本稿では,共有デキスタラスエンドエフェクタモジュールを中心に構築されたウェアラブルユニバーサル操作インタフェースであるRealDexUMIを紹介する。 手のひら側は、人間の指の入力をロボットハンドのコマンドにマッピングし、リアルタイム、手袋なし、直感的で正確な手操作を可能にする。
  論文  参考訳（メタデータ） (2026-06-04T11:28:23Z)
• UniDex: A Robot Foundation Suite for Universal Dexterous Hand Control from Egocentric Human Videos [65.2981273885678]
  実際のロボット遠隔操作データの収集コストのため、デクサラスな操作は依然として困難である。 我々は、ロボット中心の大規模データセットと視覚言語アクション(VLA)ポリシーを結合したロボット基盤スイートであるUniDexを紹介する。 UniDex-Dataset、UniDex-VLA、UniDex-Capは、ユニバーサルデキスタラス操作のためのスケーラブルな基盤スイートを提供する。
  論文  参考訳（メタデータ） (2026-03-23T17:49:12Z)
• AnyDexGrasp: General Dexterous Grasping for Different Hands with Human-level Learning Efficiency [49.868970174484204]
  我々は,最小限のデータを用いてきめ細やかな把握を学習するための効率的なアプローチを提案する。 提案手法は,40個の訓練対象に対して数百のグリップ試行を行うだけで,人間レベルの学習効率で高い性能を達成できる。 この方法は、ヒューマノイドロボット、人工装具、その他頑丈で汎用的なロボット操作を必要とする領域に対する有望な応用を実証する。
  論文  参考訳（メタデータ） (2025-02-23T03:26:06Z)
• RealDex: Towards Human-like Grasping for Robotic Dexterous Hand [64.33746404551343]
  本稿では,人間の行動パターンを取り入れた手の動きを正確に把握する先駆的データセットであるRealDexを紹介する。 RealDexは、現実のシナリオにおける認識、認識、操作を自動化するためのヒューマノイドロボットを進化させる上で、大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-02-21T14:59:46Z)

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。