論文の概要: MoDex: Towards Universal Multi-Object Dexterous Grasping

• arxiv url: http://arxiv.org/abs/2610.23888v1
• Date: Mon, 28 Sep 2026 02:34:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:53:57.215506
• Title: MoDex: Towards Universal Multi-Object Dexterous Grasping
• Title（参考訳）: MoDex:Universal Multi-Object Dexterous Graspingを目指して
• Abstract要約: MoDexはデータ効率のフレームワークであり、汎用的なマルチオブジェクトのデクスタラスな把握のための最初の統一されたソリューションを提供する。 広範囲な評価の結果,MoDexは近位構成において基線よりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 28.39180135813611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-object grasping is a fundamental yet challenging problem, constrained by data collection costs, varying spatial layouts, and the need for broad generalization. To address these challenges, we propose MoDex, a data-efficient framework that provides the first unified solution for universal multi-object dexterous grasping across diverse spatial layouts. MoDex accomplishes this by formulating the task as a single-step decision problem of learning residual corrections to a reference trajectory, and introducing a spatially adaptive dual-strategy that performs single-shot grasping for proximal objects and sequential interaction for separated objects. Extensive evaluations show that MoDex significantly outperforms baselines in proximal configurations, achieving 61.24% success on unseen objects, and achieves high success rates in separated layouts. Further experiments demonstrate its generalization across robot embodiments, scalability and zero-shot sim-to-real deployment through a vision-based policy trained solely on simulation data. Code and pretrained models are available at https://github.com/Aurora-Xiong/MoDex.
• Abstract（参考訳）: マルチオブジェクトの把握は、データ収集コスト、空間配置の変化、広範囲の一般化の必要性など、基本的な課題である。 これらの課題に対処するため,多様な空間配置にまたがる普遍的マルチオブジェクト・デクスタラス・グルーピングのための,最初の統一的なソリューションを提供するデータ効率のフレームワークであるMoDexを提案する。 MoDexは、基準軌道に対する残差補正を学習する単一ステップ決定問題としてタスクを定式化し、近距離対象の単発グルーピングと分離対象の逐次相互作用を行う空間適応型デュアルストラテジーを導入することでこれを達成している。 大規模な評価では、MoDexは近位構成のベースラインを著しく上回り、61.24%の未確認オブジェクトで成功し、分離されたレイアウトで高い成功率を達成する。 さらなる実験では、ロボットの具体化、スケーラビリティ、ゼロショット・シム・トゥ・リアルな展開を、シミュレーションデータのみに基づいて訓練されたビジョンベースのポリシーによって一般化することを示した。 コードと事前訓練されたモデルはhttps://github.com/Aurora-Xiong/MoDex.comで入手できる。

関連論文リスト

• OmniDex: Scaling Dexterous Hand Grasping to Diverse Cluttered Scenes [38.67257633783911]
  Dexterous graspingは、AIを具現化した基本的なプリミティブであり、堅牢なモデルをトレーニングするために大量のデータを要求する。 本稿では,スラジッシュなシーンレベルの最適化を回避し,スケーラブルなシード・アンド・フィルタ戦略を提案する。 これは、260万のシーンと0.4Bのシーン固有のグリープグラウンド真実からなる前例のないベンチマークをもたらす。
  論文  参考訳（メタデータ） (2026-10-08T03:58:37Z)
• FAR-Dex: Few-shot Data Augmentation and Adaptive Residual Policy Refinement for Dexterous Manipulation [9.630733148732475]
  本稿では,FAR-Dexを提案する。FAR-Dexは,少数ショットデータ拡張と適応的残差補正を統合した階層型フレームワークで,デキスタラスタスクにおける堅牢かつ高精度なハンドハンドコーディネーションを実現する。 シミュレーションと実世界の両方の実験では、FAR-Dexはデータ品質を13.4%改善し、タスク成功率は最先端の手法よりも7%向上した。 さらに、実世界のタスクにおいて80%以上の成功を達成し、強力な位置一般化を伴うきめ細かい操作を可能にする。
  論文  参考訳（メタデータ） (2026-03-11T06:10:03Z)
• MOVE: A Simple Motion-Based Data Collection Paradigm for Spatial Generalization in Robotic Manipulation [45.363862148738114]
  簡単なデータ収集パラダイムである textbfMOtion-based Variability Enhancement (emphMOVE) を提案する。 私たちのコアコントリビューションは、デモ毎に環境内の任意の可動オブジェクトに動きを注入する拡張戦略です。 emphMOVEの平均成功率は39.1%であり、静的データ収集パラダイムよりも76.1%向上している。
  論文  参考訳（メタデータ） (2025-12-04T14:03:54Z)
• SM3Det: A Unified Model for Multi-Modal Remote Sensing Object Detection [79.58755811919366]
  本稿では,リモートセンシングのためのマルチモーダルデータセットとマルチタスクオブジェクト検出(M2Det)という新しいタスクを提案する。 水平方向または指向方向の物体を、あらゆるセンサーから正確に検出するように設計されている。 この課題は、1)マルチモーダルモデリングの管理に関わるトレードオフ、2)マルチタスク最適化の複雑さに起因する。
  論文  参考訳（メタデータ） (2024-12-30T02:47:51Z)
• Efficient Residual Learning with Mixture-of-Experts for Universal Dexterous Grasping [29.546108234906196]
  ResDexは、残留ポリシー学習とエキスパートの混合フレームワークを統合する新しいアプローチである。 88.8%の成功率で3,200のオブジェクトからなるDexGraspNetデータセット上での最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-10-03T13:33:02Z)
• Towards Efficient Pareto Set Approximation via Mixture of Experts Based Model Fusion [53.33473557562837]
  大規模深層ニューラルネットワークに対する多目的最適化問題を解くことは、損失ランドスケープの複雑さと高価な計算コストのために難しい課題である。 本稿では,専門家(MoE)をベースとしたモデル融合を用いて,この問題を実用的でスケーラブルに解決する手法を提案する。 特殊な単一タスクモデルの重みをまとめることで、MoEモジュールは複数の目的間のトレードオフを効果的に捉えることができる。
  論文  参考訳（メタデータ） (2024-06-14T07:16:18Z)
• Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
  任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。 具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。 バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
  論文  参考訳（メタデータ） (2024-05-27T22:15:23Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Retrieve-and-Fill for Scenario-based Task-Oriented Semantic Parsing [110.4684789199555]
  シナリオベースのセマンティックパーシングを導入し、最初に発話の「scenario」を曖昧にする必要がある元のタスクの変種を紹介します。 この定式化により、タスクの粗くきめ細かな側面を分離することが可能となり、それぞれがオフザシェルフニューラルネットワークモジュールで解決される。 私たちのモデルはモジュール化され、差別化可能で、解釈可能で、シナリオから余分な監督を得られるようになります。
  論文  参考訳（メタデータ） (2022-02-02T08:00:21Z)

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。