論文の概要: DexNinja: Learning Robust Dexterous Cutting Policy with a Real-to-Sim-to-Real Data Engine

• arxiv url: http://arxiv.org/abs/2610.17208v1
• Date: Mon, 12 Oct 2026 17:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:42:23.002578
• Title: DexNinja: Learning Robust Dexterous Cutting Policy with a Real-to-Sim-to-Real Data Engine
• Title（参考訳）: DexNinja: 実-実-実-実-実-実-実--データエンジンによるロバストなデクスタスカットポリシーの学習
• Abstract要約: textscDexNinjaは、いくつかの実演を、密集したリアルなトレーニングディストリビューションに変える。 textscDexNinjaは、カスタムの差別化可能なシミュレータを使って、拡張されたデクサラスな操作のエピソードを生成する。
• 参考スコア（独自算出の注目度）: 72.09312486809463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cutting a piece of food looks effortless in human hands. For a robot, however, every cut is a high-contact interaction with a deformable, elasto-plastic object whose behavior changes with pose, contact mode, and cutting stage. Collecting real-world data is expensive and wasteful: each trial typically contaminates or damages the food, so obtaining scalable real world data for dexterous cutting is expensive and difficult. Simulation is an appealing alternative, but a large sim-to-real gap exists in both physics and perception. This gap is especially severe for topology-changing interactions like cutting, where small errors in contact, friction, or material and elasticity responses quickly compound. We propose \textsc{DexNinja}, a real2sim2real framework that turns a handful of real demonstrations into a dense and realistic training distribution. \textsc{DexNinja} (i) reconstructs object instances from real captures, (ii) randomizes physically meaningful parameters under category-level constraints, and (iii) produces augmented dexterous manipulation episodes using a custom differentiable simulator that couples robot dynamics, tactile contact, and deformable cutting. We evaluate \textsc{DexNinja} on a dexterous food-slicing task and show that (1) with tens of real demonstrations and hundreds of augmented simulator data, the success rate could reach more than 60\%. (2) the augmented data consistently improves success rates when only using real data with more than 20\% via sim-to-real, and (3) the resulting policies generalize to out-of-distribution objects with varying shapes and sizes.
• Abstract（参考訳）: 食べ物を切ることは、人間の手には無理に見えます。 しかし、ロボットにとって、全てのカットは、ポーズ、接触モード、および切断段階によって振る舞いが変化する変形可能な弾塑性物体との高接触相互作用である。 実世界のデータ収集は高価で無駄で、それぞれの試行は典型的に食品を汚染または損傷するので、巧妙な切削のためにスケーラブルな現実世界のデータを取得するのは高価で難しい。 シミュレーションは魅力的な代替手段であるが、物理学と知覚の両方に大きなsim-to-realギャップが存在する。 このギャップは、接触や摩擦、材料や弾性の反応が急速に複雑になる切断のようなトポロジーを変える相互作用にとって特に深刻である。 実演を高密度でリアルな訓練分布に変換する実演2sim2realフレームワークであるtextsc{DexNinja}を提案する。 \textsc{DexNinja} (i)オブジェクトインスタンスを実際のキャプチャから再構成する。 (ii)カテゴリーレベルの制約の下で物理的に意味のあるパラメータをランダム化し、 3)ロボットのダイナミックス,触覚接触,変形可能な切削を結合した,独自の識別可能なシミュレータを用いて,拡張的なデキスタラスな操作エピソードを生成する。 本研究では, 食品スライシング作業におけるtextsc{DexNinja} の評価を行い, 1) 実演数数十件, 数百件のシミュレータデータを用いて, 成功率が60 %以上に達することを示した。 2) 拡張されたデータは, sim-to-real を介して 20 % 以上の実データのみを使用する場合, 成功率を常に向上させ, (3) 結果のポリシーは, 形状や大きさの異なるアウト・オブ・ディストリビューション・オブジェクトに一般化する。

関連論文リスト

• One Demonstration, Many Objects: Generalizing Manipulation via Local Contact Geometry [49.066054862620014]
  人間のデモから学ぶことは、ロボット遠隔操作のスケーラブルな代替手段として現れてきた。 最近のsim-to-real RL法はそのような先入観を取り入れているが、しばしば正確な接触を明示的に動機付ける報酬を省略する。 接触点に局所的な形状に着目してオブジェクトを操作できるDemoMimicを提案する。
  論文  参考訳（メタデータ） (2026-09-01T23:04:35Z)
• Sling2Sim2Real: One-Shot Elastic System Identification for Non-Destructive Slingshot Policy Learning [10.728269379368099]
  Sling2Sim2Realは、単一の非破壊相互作用から弾性パラメータを識別するワンショットのReal2Sim2Realフレームワークである。 Sling2Sim2Realをフランカ・エミカ・パンダアームと様々な物理的特性を持つ弾性バンドを用いてスリングショット操作タスクで評価する。
  論文  参考訳（メタデータ） (2026-07-25T16:11:15Z)
• OASIS: From Simulation Data Collection to Real-World Humanoid Loco-Manipulation [51.37436817948304]
  OASISはヒューマノイドのロコ操作のためのシミュレーションデータ駆動のフレームワークである。 3次元生成モデルを用いて実世界の画像から現実的なオブジェクト資産を再構築する。 ゼロショットデプロイメントでは、実際のロボット遠隔操作データでトレーニングされたタスクよりも、ほとんどのタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-06-07T10:01:53Z)
• ComSim: Building Scalable Real-World Robot Data Generation via Compositional Simulation [90.4702774169675]
  本稿では,古典シミュレーションとニューラルシミュレーションを組み合わせた合成シミュレーションというハイブリッド手法を提案する。 提案手法では,少数の実世界のデータを活用するクローズドループ・リアル・シモン・リアル・データ拡張パイプラインを利用する。 我々はニューラルシミュレーターをトレーニングし、古典的なシミュレーションビデオを現実世界の表現に変換し、現実の環境で訓練されたポリシーモデルの精度を向上させる。
  論文  参考訳（メタデータ） (2026-04-13T12:25:45Z)
• SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds [36.87909899472009]
  本稿では,物理世界におけるシミュレーションを基盤とした物理対応の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実- このシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、拡散に基づく軌道生成によって振る舞いを拡大する。 実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2026-04-09T17:59:52Z)
• Sim-and-Human Co-training for Data-Efficient and Generalizable Robotic Manipulation [113.13282853889818]
  SimHumは、シミュレーションされたロボット行動と実世界の人間の観察から視覚的事前を同時に抽出するフレームワークである。 2つの相補的前提に基づき、実世界のタスクにおいて、データ効率と一般化可能なロボット操作を実現する。
  論文  参考訳（メタデータ） (2026-01-27T09:41:28Z)
• Real-to-Sim Robot Policy Evaluation with Gaussian Splatting Simulation of Soft-Body Interactions [27.247431258140463]
  本稿では,現実の映像からソフトボディのディジタルツインを構築するための,リアル・トゥ・シミュレート・ポリシー評価フレームワークを提案する。 我々は,ぬいぐるみのパッキング,ロープルーティング,Tブロックプッシュなど,代表的な変形可能な操作タスクに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2025-11-06T18:52:08Z)
• Closing the Visual Sim-to-Real Gap with Object-Composable NeRFs [59.12526668734703]
  本稿では,オブジェクト合成可能なNeRFモデルであるComposable Object Volume NeRF(COV-NeRF)を紹介する。 COV-NeRFは、実際の画像からオブジェクトを抽出し、それらを新しいシーンに合成し、フォトリアリスティックなレンダリングと多くのタイプの2Dおよび3D監視を生成する。
  論文  参考訳（メタデータ） (2024-03-07T00:00:02Z)

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。