論文の概要: Evo-DexBench: Benchmarking Generalization across Related Tasks for Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2610.21180v1
• Date: Thu, 15 Oct 2026 03:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.163389
• Title: Evo-DexBench: Benchmarking Generalization across Related Tasks for Dexterous Manipulation
• Title（参考訳）: Evo-DexBench: Dexterous Manipulationのための関連するタスク間のベンチマーク一般化
• Abstract要約: 汎用的なデクスタラスな操作は、いくつかの目的のデモンストレーションだけで、関連するタスクから新しいタスクに知識を移すポリシーを必要とする。 本稿では,ソース・タスク関連性とターゲット・タスク関連性の両方を制御するEvo-DexBenchを提案する。 実験の結果、最高の性能の方法でさえ平均的な成功率は38.5%に過ぎなかった。
• 参考スコア（独自算出の注目度）: 47.231758101726406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General-purpose dexterous manipulation requires policies to transfer knowledge from related tasks to new tasks with only a few target demonstrations. Existing benchmarks often provide too many target demonstrations. They also leave the differences between source and target tasks uncontrolled. As a result, they cannot clearly distinguish knowledge transfer from task memorization. Our key insight is the Core-Gen principle. Core tasks are related tasks that share a functional interaction and provide source knowledge, while a Gen task is a novel target within the same functional family that has only a few demonstrations. This setup tests whether a policy can reuse functional interaction knowledge. Based on this principle, we propose Evo-DexBench, which controls both source-task relatedness and target-task exposure. It comprises 30 tasks in six functional families and a VR teleoperation pipeline. The resulting dataset covers three everyday scenes per task. It contains 1,248 multimodal demonstrations collected with simulated Shadow Hands equipped with 123 taxels. Experiments show that even the best-performing method achieves an average success rate of only 38.5%, highlighting the challenges existing methods face in transferring functional interaction knowledge. Further analysis shows that, across the two tasks, joint Core+Gen training improves performance by 12% and 38%, respectively, over training on Core followed by fine-tuning on Gen. This indicates that joint training makes better use of Core knowledge and that functionally matched Core data yields greater gains in success rate than mismatched data. We release the Evo-DexBench dataset and benchmark to support the evaluation of dexterous manipulation policies' generalization across related tasks.
• Abstract（参考訳）: 汎用的なデクスタラスな操作は、いくつかの目的のデモンストレーションだけで、関連するタスクから新しいタスクに知識を移すポリシーを必要とする。 既存のベンチマークでは、ターゲットのデモが多すぎる場合が多い。 ソースとターゲットタスクの違いもコントロールできないままです。 その結果,課題記憶と知識伝達を明確に区別することはできない。 重要な洞察は、Core-Genの原則です。 コアタスクは、機能的なインタラクションを共有し、ソース知識を提供する関連するタスクであり、Genタスクは、いくつかのデモしか持たない、同じ機能ファミリー内の新しいターゲットである。 この設定は、ポリシーが機能的な相互作用の知識を再利用できるかどうかをテストする。 この原理に基づいて,ソース・タスク関連性とターゲット・タスク関連性の両方を制御するEvo-DexBenchを提案する。 6つのファミリーで30のタスクと、VR遠隔操作パイプラインで構成されている。 結果として得られたデータセットは、タスク毎に3つの日常的なシーンをカバーしている。 123個のタッセルを備えた模擬シャドウハンドで収集された1,248個のマルチモーダルデモが含まれている。 実験の結果、最も優れた手法でさえ平均的な成功率は38.5%に過ぎず、既存の手法が機能的相互作用の知識を伝達する際に直面する課題を浮き彫りにしている。 さらに分析したところ、共同で行ったCore+Genトレーニングは、CoreでのトレーニングとGenの微調整によって、それぞれ12%と38%のパフォーマンスが改善されている。これは、共同トレーニングがコアの知識をうまく活用し、機能的にマッチしたCoreデータの方が、ミスマッチしたデータよりも成功率が高いことを示している。 我々はEvo-DexBenchデータセットとベンチマークを公開し、関連するタスク間のデクサラスな操作ポリシーの一般化の評価をサポートする。

関連論文リスト

• DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo [82.73355932907565]
  DexJoCoはタスク指向のデクサラス操作のためのベンチマークとツールキットである。 本研究は,ツール使用,双方向調整,長期実行,推論などを評価する機能的なタスクを11個提示する。 我々は、視覚的・動的ランダム化、マルチタスクトレーニング、アクションヘッド適応など、多様な設定で最新のモデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-15T17:59:51Z)
• MTLSegFormer: Multi-task Learning with Transformers for Semantic Segmentation in Precision Agriculture [16.817025300716796]
  マルチタスク学習とアテンション機構を組み合わせたセマンティックセグメンテーション手法MTLSegFormerを提案する。 相関したタスクで2つの困難な問題で性能を検証し、精度を大幅に改善した。
  論文  参考訳（メタデータ） (2023-05-04T13:19:43Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• Task-Agnostic Learning to Accomplish New Tasks [25.8071239305578]
  本稿では,タスクに依存しないデータからのみ断片化された知識を学習し,新しいタスクを実現するタスク非依存学習法(TAL)を提案する。 まず、環境との相互作用からデータを収集するタスク非依存探索を行う。 第2に,タスクに依存しない断片化知識学習のための知識グラフデータを用いて,行動特徴抽出器を提案し,訓練する。 第3に、候補アクション生成器を設計し、新しいタスクにアクション特徴抽出器を適用して複数の候補アクションセットを生成する。
  論文  参考訳（メタデータ） (2022-09-09T03:02:49Z)
• X-Learner: Learning Cross Sources and Tasks for Universal Visual Representation [71.51719469058666]
  本稿では,X-Learnerという表現学習フレームワークを提案する。 X-Learnerは、様々なソースによって管理される複数の視覚タスクの普遍的な特徴を学習する。 X-Learnerは、追加のアノテーションやモダリティ、計算コストを使わずに、様々なタスクで強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-16T17:23:26Z)
• Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
  マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。 我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。 大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
  論文  参考訳（メタデータ） (2021-05-08T22:26:52Z)

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。