論文の概要: OATH: Object-Agnostic Tracking for Dexterous Hands, Enabling Rapid Physics-based Retargeting

• arxiv url: http://arxiv.org/abs/2610.14379v1
• Date: Fri, 09 Oct 2026 22:55:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:50:52.701388
• Title: OATH: Object-Agnostic Tracking for Dexterous Hands, Enabling Rapid Physics-based Retargeting
• Title（参考訳）: OATH:デクサラスハンドの物体非依存トラッキング, 高速物理に基づくリターゲティング
• Abstract要約: 強化は、接触力学による計画と制御を達成するために使われてきた。 オブジェクト間のゼロショット一般化は構造化状態表現に依存していることを示す。 運動学的基準軌道のシミュレーションでこのポリシーをロールアウトすると、物理に基づく再ターゲッターOATHが得られる。
• 参考スコア（独自算出の注目度）: 3.447034846854598
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Retargeting human demonstrations into dynamically feasible dexterous hand trajectories requires resolving complex contact physics, yet current methods either omit physical constraints or rely on computationally expensive sampling-based optimization in simulation. Reinforcement learning has previously been used to achieve planning and control through contact dynamics; however, standard policies require object-specific training and fail to generalize across arbitrary geometries. This work reframes physics-based retargeting as a residual learning problem, where we demonstrate that zero-shot generalization across objects relies on structured state representations. Specifically, formulating the observation space to include a localized contact-error signal guiding each robot link to its target coordinate on the object surface enables a single, unified residual policy to successfully grasp novel, unseen object geometries. Rolling out this policy in simulation on a kinematic reference trajectory yields a physics-based retargeter, OATH. Operating at 0.4 seconds of compute per second of reference, OATH achieves 2.4x faster-than-real-time performance and a 60-350x reduction in computational cost compared to sampling-based methods. The system recovers 58% of held-out and 54% of unseen-object DexYCB trajectories while maintaining a sub-2 cm tracking error.
• Abstract（参考訳）: 人間のデモンストレーションを動的に実現可能な手動軌跡に再ターゲティングするには、複雑な接触物理を解く必要があるが、現在の手法は物理的な制約を省略するか、シミュレーションにおいて計算コストの高いサンプリングベースの最適化に依存する。 強化学習は、従来、接触力学による計画と制御を達成するために用いられてきたが、標準方針では、オブジェクト固有の訓練を必要とし、任意の測地をまたいだ一般化に失敗している。 この研究は、物理に基づく再ターゲット化を残留学習問題として再設計し、オブジェクト間のゼロショット一般化が構造化状態表現に依存することを示した。 具体的には、対象表面上の各ロボットの目標座標へのリンクを誘導する局所的な接触エラー信号を含むように観測空間を定式化することにより、単一の統一された残留ポリシーにより、新規で見えないオブジェクトジオメトリをうまく把握することができる。 運動学的基準軌道のシミュレーションでこのポリシーをロールアウトすると、物理に基づく再ターゲッターOATHが得られる。 OATHは参照1秒あたり0.4秒の計算で動作し、サンプリングベースの手法と比較して、リアルタイム性能の2.4倍、計算コストの60-350倍の削減を実現している。 このシステムは58%のホールドアウトと54%の未確認物体DexYCB軌道を回復し、サブ-2cmの追跡誤差を維持している。

関連論文リスト

• PRIMO: Prior-Informed Odometry from Human-Motion Tracking for Humanoid Robots [8.998761043683949]
  我々はPRIMO(Human-Motion Tracking)を用いた先行インフォームドオドメトリーを提案する。 データ側では、シミュレーションにおいて、ヒューマノイドが多種多様なリターゲットされた人間の動きをトラックすることで、オードメトリの監督を生成する。 モデル側では、プリエントインフォームド推定器は物理および対称性インフォームド事前を用いて構造速度と回転予測を行う。
  論文  参考訳（メタデータ） (2026-09-20T12:52:15Z)
• Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos [6.238518905285812]
  単眼ビデオデモからの模倣学習は、ヒューマノイドロボットに複雑なスキルを教えるためのスケーラブルなアプローチを提供する。 本稿では,エキスパートビデオから直接高忠実で動的に実現可能な軌道を生成する新しい単一ステージフレームワークであるDirect Dynamic Retargeting (DDR)を提案する。 我々の実験は、幾何学的バイアスをバイパスすることで、DDRはデモ追跡精度において最先端のベースラインを上回ることを実証した。
  論文  参考訳（メタデータ） (2026-05-22T15:33:40Z)
• Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
  高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。 本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
  論文  参考訳（メタデータ） (2026-05-21T10:15:39Z)
• 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)
• Physics-Informed Policy Optimization via Analytic Dynamics Regularization [5.537513058221965]
  強化学習(RL)はロボット制御において高い性能を発揮している。 アクター批判法のような最先端の政策学習法は、依然として高いサンプルの複雑さに悩まされている。 我々は、物理制約を直接ニューラルネットワークの最適化にシームレスに統合する、PIPERと呼ばれる新しい物理インフォームドRLフレームワークを導入する。
  論文  参考訳（メタデータ） (2026-03-15T16:20:45Z)
• Geometric Retargeting: A Principled, Ultrafast Neural Hand Retargeting Algorithm [50.52643618961044]
  遠隔操作のための超高速・原理的ハンドアルゴリズムGeoRTを紹介する。 GeoRTは、人間の指のキーポイントを1KHzでロボットの手のキーポイントに変換し、最先端のスピードと精度を達成する。
  論文  参考訳（メタデータ） (2025-03-10T17:10:21Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。