論文の概要: HiFun: a Hierarchical Framework for Efficient Functional Dexterous Manipulation Learning

• arxiv url: http://arxiv.org/abs/2610.19518v1
• Date: Wed, 14 Oct 2026 03:37:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.938773
• Title: HiFun: a Hierarchical Framework for Efficient Functional Dexterous Manipulation Learning
• Title（参考訳）: HiFun: 効率的な機能的デクサラスマニピュレーション学習のための階層型フレームワーク
• Abstract要約: 機能的外乱操作タスクのための階層的実世界のRLフレームワークであるHiFunを提案する。 我々の重要な洞察は、コントロールの複雑さを正確に接触を実行するための機能的な手技に分離することである。 HiFunはオンライントレーニングの1時間で平均98.3%の成功を達成し、動的障害に対して頑健である。
• 参考スコア（独自算出の注目度）: 29.10889696142809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While multi-fingered dexterous robot hands have the potential to provide human-level dexterity, using them for functional manipulation remains difficult because task success depends on precise contact, coordinated arm-hand motion, and reactive recovery from execution errors. Precise contact depends on complex contact dynamics that are difficult to model accurately in simulation, motivating real-world learning. However, real-world demonstrations in the full arm-hand control space are costly and noisy because each trajectory must coordinate arm motion with high-DoF multi-finger contact. Small execution deviations can further cause slipped contact or premature force application, making recovery from off-nominal contact states important for robust execution. To deal with these challenges, we propose HiFun, a hierarchical real-world RL framework for functional dexterous manipulation tasks. Our key insight is to decouple the control complexity into a functional hand skill for precise contact execution and an arm-hand coordination policy for arm control and hand-skill activation. This design enables effective real-time human intervention for reactive recovery learning and efficient data collection with Dynamic Movement Primitive (DMP) augmentation. Across six real-world tasks on two dexterous hands, HiFun achieves 98.3% average success within one hour of online training and remains robust to dynamic disturbances. The project page is available at https://hly-123.github.io/HiFun/.
• Abstract（参考訳）: マルチフィンガー・デキスタラス・ロボットハンドは人間レベルのデキスタリティを提供する可能性があるが、作業の成功は正確な接触、手動の調整、実行エラーからの反応性回復に依存するため、機能的な操作に使用することは依然として困難である。 正確な接触は、シミュレーションにおいて正確にモデル化することが困難で、現実世界の学習を動機付ける複雑な接触ダイナミクスに依存する。 しかし、各軌道は高DoFマルチフィンガー接触で腕の動きを調整しなければならないため、フルアームハンドコントロール空間における実世界でのデモンストレーションは費用がかかりうる。 小規模な実行逸脱は、スリップされた接触または早期の力の応用をさらに引き起こし、ロバストな実行のためには、非正規の接触状態からの回復が重要となる。 これらの課題に対処するために,機能的デクスタラスな操作タスクのための階層的実世界のRLフレームワークであるHiFunを提案する。 我々の重要な洞察は、コントロールの複雑さを、正確な接触実行のための機能的ハンドスキルと、腕制御と手技アクティベーションのためのアームハンドコーディネートポリシーに分離することである。 この設計により、リアクティブリカバリ学習のための効果的なリアルタイムヒューマン介入と、ダイナミックモーションプリミティブ(DMP)拡張による効率的なデータ収集が可能となる。 実世界の6つのタスクのうち、HiFunはオンライントレーニングの1時間で平均98.3%の成功を達成し、動的障害に対して頑健である。 プロジェクトページはhttps://hly-123.github.io/HiFun/で公開されている。

関連論文リスト

• FOMI: A Force-Feedback Manipulation Interface for Teaching Contact-Rich Manipulation [59.638802273101646]
  FOMIは、ハサミ型機構を備えたフォースフィードバック操作インタフェースである。 本研究では,センサキャリブレーション,データ取得,ロボットフリーコレクションの同期処理を統合したデモコレクションシステムを構築した。 FOMIは、ロボットフリーのコレクションと遠隔操作において、最高のベースラインよりも、コレクション効率を約29%と18%向上させる。
  論文  参考訳（メタデータ） (2026-10-14T09:10:24Z)
• 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)
• End-to-End Dexterous Arm-Hand VLA Policies via Shared Autonomy: VR Teleoperation Augmented by Autonomous Hand VLA Policy for Efficient Data Collection [10.217810309422232]
  マクロモーションとマイクロモーションの制御を分割するフレームワークを提案する。 人間のオペレーターが直感的なVR遠隔操作を通してロボットの腕のポーズをガイドします。 自律的なDexGrasp-VLAポリシは、リアルタイム触覚と視覚フィードバックを使用して、きめ細かい手制御を処理する。
  論文  参考訳（メタデータ） (2025-10-31T16:12:02Z)
• Dexterous Manipulation through Imitation Learning: A Survey [32.47862766672596]
  イミテーションラーニング(IL)は、ロボットが専門家によるデモンストレーションから直接巧妙な操作スキルを習得できるようにすることによって、代替手段を提供する。 ILは、明示的なモデリングと大規模な試行錯誤の必要性を回避しながら、きめ細かい調整と接触ダイナミクスをキャプチャする。 私たちのゴールは、研究者や実践者たちに、この急速に進化する領域の包括的紹介を提供することです。
  論文  参考訳（メタデータ） (2025-04-04T15:14:38Z)
• 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)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)

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。