論文の概要: DexFLEX: Contact-Aware Foundation Controller for Command-Guided Dexterity
- arxiv url: http://arxiv.org/abs/2610.14372v1
- Date: Fri, 09 Oct 2026 22:47:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.03985
- Title: DexFLEX: Contact-Aware Foundation Controller for Command-Guided Dexterity
- Title（参考訳）: DexFLEX: コマンドガイド型デキスタリティのためのコンタクト対応ファウンデーションコントローラ
- Abstract要約: コンタクト対応ファウンデーションコントローラは、上流の指先の動きのドラフトをコンタクト対応のジョイントコマンドに変換する。
Draft-Dream-Selectプロシージャは、リカバリのための純粋なプライア提案と、応答性に関するドラフトシード提案を組み合わせる。
同じ訓練を受けたコントローラーはリトレーニングなしで堅牢性を改善し、現実世界での遠隔操作の成功は29.2%から78.3%に増加した。
- 参考スコア（独自算出の注目度）: 18.408799596861805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Dexterous robot hands can receive useful motion intent from teleoperation or learned policies, but successful execution also depends on contact decisions that these commands rarely specify. We introduce DexFLEX, a contact-aware foundation controller that turns upstream fingertip-motion drafts into contact-consistent joint commands. Instead of treating a draft as a trajectory to copy, DexFLEX treats it as evidence about intent: from the current tactile-proprioceptive state, it proposes feasible short-horizon motion chunks, predicts their contact consequences, and selects the candidate that best follows the command while preserving future contact stability. At inference time, a simple Draft-Dream-Select procedure combines pure-prior proposals for recovery with draft-seeded proposals for responsiveness, then decodes the selected motion into executable joint-space targets. Across degraded-command simulation, real-world shared control, and visuomotor policy learning, the same trained controller improves robustness without retraining, increasing real-world teleoperation success from 29.2% to 78.3% and reaching 46.7% policy-learning success, 3.5 times direct joint-action prediction, and 1.56 times prior-only correction. Videos are available at dex-flex.github.io.
- Abstract（参考訳）: Dexterous Robot Handは遠隔操作や学習ポリシーから有用な動作意図を受け取ることができるが、実行の成功は、これらのコマンドがほとんど指定しない接触決定にも依存する。
DexFLEXは,上流の指先の動きのドラフトを接触一貫性のあるジョイントコマンドに変換する,コンタクト対応基盤コントローラである。
原案をコピーするための軌跡として扱う代わりに、DexFLEXは、意図に関する証拠として、現在の触覚-受容状態から、実現可能な短水平運動チャンクを提案し、接触結果を予測するとともに、将来の接触安定性を保ちながらコマンドに従う候補を選択する。
推論時に、単純なDraft-Dream-Selectプロシージャは、リカバリのための純粋なプリミティブ提案と、応答性のためのドラフトシードの提案を組み合わせて、選択した動きを実行可能な共同空間のターゲットにデコードする。
劣化したコマンドシミュレーション、現実世界の共有制御、そしてバイスモータのポリシー学習全体において、同じ訓練されたコントローラーは、再訓練せずに堅牢性を改善し、現実世界の遠隔操作の成功を29.2%から78.3%に増加させ、46.7%のポリシー学習成功、3.5倍の直接共同動作予測、および1.56倍の事前修正を達成した。
ビデオはdex-flex.github.ioで公開されている。
関連論文リスト
- ForeTac: Predictive Contact Guidance for Generative Robot Policies [15.900467530284109]
ForeTacは、予測-予測-評価-誘導ループとして組織された予測接触誘導フレームワークである。
現行の触覚状態を符号化し、候補となるアクションシーケンスの触覚結果を予測するとともに、予測された軌跡を評価する。
平均タスク成功率は36.3%から71.3%に、平均コンタクト成功率(CSR)は20.0%から66.3%に上昇する。
論文 参考訳（メタデータ） (2026-10-13T10:28:49Z) - Force-Modulated Dexterity: Unified Compliance for Contact-Rich Manipulation [44.53286058333844]
Force-Modulated Dexterity (FOMO-Dex) は、コンタクトリッチな操作のための統一されたコンプライアンス形式である。
選択した方向に沿って力駆動の動作補正を施し、残りのコマンドコンポーネントをそのまま残す。
ユーザスタディでは、簡単な練習の後、1時間あたりのより成功した実演データを収集している。
論文 参考訳（メタデータ） (2026-10-12T17:37:23Z) - ReDex: Repairing Sim-to-Real Dexterous Policies by Finger-Level Compliant Interaction [16.811675844117357]
シミュレーションで訓練された有害な操作ポリシーは、しばしば接触タイミングのエラーや強制規制のために現実世界への移動に失敗する。
本稿では,局所的な接触障害を補正し,触覚フィードバックを取り入れたシミュレーション学習ベースポリシーを現実世界に適用するためのフレームワークであるReDexを提案する。
論文 参考訳（メタデータ） (2026-10-05T23:47:05Z) - FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting [51.97027820630168]
人間の手オブジェクトのデモは、器用なロボット学習のためのスケーラブルなデータソースを提供する。
既存の物理学に基づく手法は、通常、それぞれのデモンストレーションを独立して最適化する。
マルチ参照トラッキングのためのRLフレームワークであるFlashDexRetargetを紹介する。
論文 参考訳（メタデータ） (2026-10-01T15:15:42Z) - PredActor: Predictive Action Diffusion for Steerable Onboard Humanoid Control [49.348182500314614]
アクションのみの拡散は直接アクションを生成するが、テスト時間運動の目的に対する明示的な将来の軌道は欠如している。
連立状態-作用拡散はこの表現を提供するが、代表コントローラはしばしば特権付きフルボディ状態に依存する。
提案するPredActorは,これらのステアリングを直接実行されるポリシに含める,予測的行動拡散ポリシである。
論文 参考訳（メタデータ） (2026-09-21T16:20:25Z) - Towards Human-level Dexterous Teleoperation [62.77371751776912]
人レベルのデキスタラス遠隔操作は、動的手動物体接触による物体の動きを正確に制御する必要がある。
我々は,操作者の意図を学習された低レベルのコンタクト実行にマッピングするハンドオブジェクト・コトラッキング・コントローラであるTeleDexterを紹介した。
我々はTeleDexterを、物体の向きを変える7つの難易度遠隔操作タスクと、両手にわたる長距離ツールを用いて評価した。
論文 参考訳（メタデータ） (2026-07-13T12:36:47Z) - LAMP: Latent Motion Prior-Guided Real-World Learning for Dexterous Hand Manipulation [39.42195733137399]
高次元手動作は模倣誤りを増幅し、強化学習探索を接触破壊運動にもたらす。
我々は、最近のハンドアクション履歴をコンパクトで履歴条件付き潜在モジュールにマッピングする潜在動作先行モジュールを導入する。
Methodは実世界の3段階のデクスタス学習フレームワークで、デモから事前訓練し、ビジュモータポリシーをトレーニングし、オンライン残留RLでポリシーを改善する。
論文 参考訳（メタデータ） (2026-07-07T14:22:31Z) - TacCoRL: Integrating Tactile Feedback into VLA via Simulation [38.963250081631834]
視覚言語アクション(VLA)モデルは、ロボット操作のための強力な視覚、言語、行動の優先順位を提供する。
我々は、VLAポリシーに触覚フィードバックを注入するスケーラブルなフレームワークであるTacCoRLを提案する。
我々は,接触操作のためのクローズドループトレーニング環境として,実列シミュレータを用いる。
論文 参考訳（メタデータ） (2026-06-10T07:20:36Z) - DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。
DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。
当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
論文 参考訳（メタデータ） (2024-11-27T18:03:26Z)
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。