論文の概要: PACT: Posture-Aligned Co-Design Technique for Hand Configuration and Retargeting in Multi-Finger Imitation Learning
- arxiv url: http://arxiv.org/abs/2610.18443v1
- Date: Tue, 13 Oct 2026 14:16:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 21:20:00.386479
- Title: PACT: Posture-Aligned Co-Design Technique for Hand Configuration and Retargeting in Multi-Finger Imitation Learning
- Title（参考訳）: PACT:多指模倣学習における手構成と再ターゲットのための姿勢調整型協調設計手法
- Abstract要約: 人間の把握姿勢に基づく最適化であるPACTを導入する。
手のキーポイントは全て3.9mmのキネティックRMSEで再現され、LEAPハンドベースラインでは12.8mmである。
また、YCBの日常的なオブジェクトで86%の成功率を得ることができ、ベースラインでは64%である。
- 参考スコア（独自算出の注目度）: 43.43158564310598
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The fidelity of teleoperated demonstrations used for imitation learning is determined by how faithfully a robot hand can replicate the operator's posture. The posture retargeting law that the robot will execute is typically selected only once the hardware has been finalized, and conventional hand designs often neglect human-like grasping postures. We introduce PACT, an optimization based on human grasping postures that jointly optimizes the mechanical parameters of a 17-servo robot hand (link lengths, joint offsets, mounting angles, and base placements) and its nonlinear posture retargeter (a linear human-to-robot joint map, per-joint posture-IK weights, and damping). The optimization enforces full-finger correspondence (MCP, PIP, DIP, and tip of each finger) to human poses from the DexYCB dataset, and is constrained by servo interference, assembly clearances, and flat-hand protrusion, so the resulting design can be physically assembled. We fabricate the PACT Hand and validate it through teleoperation experiments and an imitation-learning demonstration. The hand reproduces all human hand keypoints with a kinematic RMSE of 3.9 mm, compared to 12.8 mm for the LEAP Hand baseline, and keeps all fingertips within 10 mm on every grasping posture, while the baseline achieves this for only 21.6% of the poses. Under matched per-joint torque limits, it lifts twice the baseline payload, 2 kg against 1 kg, and deforms a held paper cup seven times less, reaching a deformation level comparable to a human hand. It also achieves an 86% grasping success rate on YCB daily objects, compared to 64% for the baseline. Finally, as a demonstration, an imitation-learning policy trained on demonstrations collected with the PACT Hand achieved a 75% success rate at held-out placements in a can pick-and-place task. Project page: https://pact-hand-2027.github.io
- Abstract（参考訳）: 模倣学習に使用される遠隔操作デモの忠実度は、ロボットハンドが操作者の姿勢をいかに忠実に再現できるかによって決定される。
ロボットが実行する姿勢再ターゲティング法は通常、ハードウェアが完了した後にのみ選択される。
本研究では,17サーボロボットハンドの機械的パラメータ(リンク長,関節オフセット,取付角度,ベース配置)と非線形姿勢リターゲッター(リニアヒトとロボットの関節マップ,関節周囲の姿勢IK重量,減衰)を協調的に最適化する,人間の把握姿勢に基づくPACTについて紹介する。
この最適化は、DexYCBデータセットからの人間のポーズに対するフルフィンガー対応(MCP、PIP、DIP、および各指の先端)を強制し、サーボ干渉、アセンブリクリアランス、フラットハンドプロテクションによって制約されるので、結果として得られる設計を物理的に組み立てることができる。
我々はPACTハンドを製作し、遠隔操作実験と模倣学習による実演を通して検証する。
手は手指のキーポイントを3.9mmのキネティックRMSEで再現し、LEAPハンドベースラインの12.8mmと比較し、すべての指先を把握姿勢ごとに10mm以内に保ち、ベースラインはポーズの21.6%でこれを達成している。
一致した関節のトルク制限の下では、ベースラインのペイロードを2回持ち上げ、1kgに対して2kgを持ち上げ、保持された紙カップを7倍小さく変形させ、人間の手に匹敵する変形レベルに達する。
また、YCBの日常的なオブジェクトで86%の成功率を得ることができ、ベースラインでは64%である。
最後に、実演として、PACTハンドで収集されたデモンストレーションに基づいて訓練された模倣学習ポリシーは、カンピック・アンド・プレイス・タスクにおいて、保持された配置で75%の成功率を達成した。
プロジェクトページ:https://pact-hand-2027.github.io
関連論文リスト
- RLHND: Video Foundation Models as Physically Grounded Hand Trackers for Robot Learning [63.13832695270861]
本稿では,ビデオファウンデーションモデルに基づく手追跡モデルを提案する。
モノクラー・エゴセントリックなビデオから手ポーズとリアルな触覚情報を推定する。
ポーズ推定のために、さまざまなベンチマークデータセットで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-10-07T05:11:50Z) - Geometry-Preserving Human-to-Robot Upper-Body Motion Retargeting from Monocular Video [10.818278704013943]
本報告では, 身体の統一的再構築と形態素に依存しない幾何的移動を統合化するための動き認識フレームワークを提案する。
両腕デキスタラスロボット上で,単眼映像から上半身運動への統一パイプラインを実証した。
論文 参考訳（メタデータ） (2026-09-29T15:14:20Z) - Design and Validation of an Antagonistic Tendon-Driven Dexterous Robotic Hand with Bidirectional Operation [1.8969868190153274]
本稿では, 対角的腱引き機構を用いた人為的, 人体規模 (200 mm) , 軽量 (220 g) , 3Dプリント, 17-DoFロボットハンドについて述べる。
提案したルーティング機構により、すべての自由度がその中立な構成を横切ることができ、手のひら側または背側でホールをつかむことができる。
論文 参考訳（メタデータ） (2026-09-28T20:36:21Z) - A Reconfigurable Dual-Opposition Architecture for Single-Hand Assembly and Manipulation [41.48810921144776]
我々は、手動組立と操作のための再構成可能な双対配置アーキテクチャを提案する。
4つの独立に動く指は2つの仮想的な指の反対に組織され、相対的な構成は再構成可能な手のひらによって制御される。
シミュレーションでは、LEAPハンドの73.8%に対して、直径40-230mm以上の平均連続球回転成功率は98.6%である。
論文 参考訳（メタデータ） (2026-09-19T08:22:50Z) - H-PAC Hand: Control-Oriented Modeling and Tendon-Elasticity Compensation for an Underactuated Robotic Hand [14.429793775517608]
H-PACは6アクチュエータで15-DoFのロボットハンドで、制御指向のモデリングと実装のフレームワークを備えている。
腱-運動性-弾性継手誤差を考慮し, 力学に基づく補償モデルを開発した。
実験により、補償は関節角予測を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-08-17T15:26:51Z) - AnyDexRT: Calibration-Free Dexterous Hand Retargeting with Few-Shot Human Guidance [52.973947477815614]
AnyDexRT は人のような器用な手間で直感的な器用な遠隔操作を行うキャリブレーションのない手法である。
実験によると、AnyDexRTは品質を改善し、手動チューニングを減らし、従来の方法よりも直感的で効率的な制御を提供する。
論文 参考訳（メタデータ） (2026-07-09T10:29:53Z) - Dexora: Open-source VLA for High-DoF Bimanual Dexterity [97.98653150757526]
Dexoraは、デュアルアーム、デュアルハンドハイDoF操作をターゲットとする、世界初のオープンソースのVLAシステムである。
指の動きから全身の運動を分離するハイブリッド遠隔操作パイプラインを設計する。
Dexoraはベーシックベンチマークとデクスタラスベンチマークの両方で競合するVLAベースラインを上回っている。
論文 参考訳（メタデータ） (2026-05-18T17:50:32Z) - Functional Force-Aware Retargeting from Virtual Human Demos to Soft Robot Policies [22.000828900701237]
我々は,ソフトロボットに接触力について明示的に推論することで,人間のような操作スキルを身につけるためのフレームワークであるSoftActを紹介した。
人間の関節軌跡をリターゲットする従来のアプローチとは異なり、SoftActは2段階の力認識アルゴリズムを採用している。
論文 参考訳（メタデータ） (2026-04-01T17:59:35Z) - 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) - Deformer: Dynamic Fusion Transformer for Robust Hand Pose Estimation [59.3035531612715]
既存の方法では、手のこもりが強かったり、ぼやけたりすると、手のポーズが難しい場合が多い。
ビデオでは、手の動きによって、片方のフレームに隠されたり、ぼやけたりして、手のさまざまな部分を観察することができる。
画像内の手の部分間の関係を暗黙的に推論するフレームワークであるDeformerを提案する。
論文 参考訳（メタデータ） (2023-03-09T02:24:30Z)
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。