論文の概要: DexOAK: Object-Aware Kinematic Retargeting
- arxiv url: http://arxiv.org/abs/2610.26762v1
- Date: Mon, 19 Oct 2026 17:20:10 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:44:40.679155
- Title: DexOAK: Object-Aware Kinematic Retargeting
- Title（参考訳）: DexOAK: オブジェクト対応のキネマティックリターゲティング
- Abstract要約: DexOAKは人間のモーションキャプチャーデータから接触一貫性のあるロボットハンドレファレンスを生成する学習ベースのキネマティックフレームワークである。
ロボットは、人間の手だけでのポーズよりも、実証された物-相対的な相互作用を再現する。
Inspireでは、OakInk-v2では39.5%から48.4%に、ADD-AUCは62.7%から77.9%に上昇している。
- 参考スコア（独自算出の注目度）: 45.88028371034407
- License:
- Abstract: We introduce DexOAK, a learning-based object-aware kinematic retargeting framework for generating contact-consistent robot hand references from human motion-capture data. DexOAK first minimizes an interaction-graph Laplacian objective over a joint hand-object graph, so the robot reproduces the demonstrated object-relative interaction geometry rather than the human hand pose alone. These per-frame solutions form seed retargeted references, from which a feed-forward network conditioned on human keypoints and object point clouds learns the retargeting function. Object-aware finetuning then refines the network under contact, non-penetration, and self-collision losses that position the fingers on the demonstrated contacts and reduce artifacts destabilizing physics-based refinement. Once trained, the network transfers to unseen data by inference alone, without per-frame optimization. DexOAK references improve dynamic retargeting over the state-of-the-art across bimanual tasks with rigid and articulated objects. On the Inspire hand, success rises from 39.5% to 48.4% on OakInk-v2, and ADD-AUC rises from 62.7% to 77.9% on ARCTIC. Ablations trace the gains to object-aware kinematic retargeting and the amortized network refined with contact losses. Trained on OakInk-v2, it transfers to ARCTIC zero-shot and nears in-domain performance after fine-tuning. On hardware, 46/56 open-loop replays succeed across five tasks, enabling dexterous robot data generation from human data. Visualizations and interactive results are at: https://fspinola.github.io/dexoak/.
- Abstract（参考訳）: DexOAKは、人間のモーションキャプチャーデータから接触一貫性のあるロボットハンドレファレンスを生成するための、学習に基づく物体認識の運動的リターゲティングフレームワークである。
DexOAKはまず、関節のハンドオブジェクトグラフ上での相互作用グラフのラプラシアン目標を最小化するため、ロボットは人間の手ではなく、実証されたオブジェクト相対的相互作用の幾何学を再現する。
これらのフレーム単位のソリューションはシード再ターゲティング参照を形成し、人間のキーポイントとオブジェクトポイントクラウドに条件付きフィードフォワードネットワークがリターゲティング関数を学習する。
物体認識ファインタニングは、接触、非貫通、自己照合損失のネットワークを洗練し、指を実証された接触に配置し、物理ベースの洗練を安定化させるアーティファクトを減少させる。
トレーニングが完了すると、ネットワークはフレーム単位の最適化なしに、推論だけで見当たらないデータに転送する。
DexOAK参照は、厳密で明瞭なオブジェクトを持つ双方向タスクにおける最先端の動的リターゲティングを改善する。
Inspireでは、OakInk-v2では39.5%から48.4%に、ADD-AUCは62.7%から77.9%に上昇している。
アブレーションは、対象を意識したキネマティックリターゲティングと、接触損失を伴って改善された償却ネットワークの利益を辿る。
OakInk-v2で訓練され、ARCTICのゼロショットに移行し、微調整後にドメイン内のパフォーマンスを向上する。
ハードウェア上では、46/56のオープンループリプレイが5つのタスクで成功し、人間のデータから正確なロボットデータを生成することができる。
可視化とインタラクティブな結果は以下のとおりである。
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) - FlashDexRetarget: Accelerating Dexterous Manipulation Data Generation through Multi-Motion Retargeting [51.97027820630168]
人間の手オブジェクトのデモは、器用なロボット学習のためのスケーラブルなデータソースを提供する。
既存の物理学に基づく手法は、通常、それぞれのデモンストレーションを独立して最適化する。
マルチ参照トラッキングのためのRLフレームワークであるFlashDexRetargetを紹介する。
論文 参考訳（メタデータ） (2026-10-01T15:15:42Z) - ObjRetarget: An Object-Aware Motion Retargeting Framework with Anthropomorphic Arm Constraints and Polyhedral Hand Modeling [9.378632224914458]
人間の操作ビデオからの巧妙な操作は、ロボットアクションの実行に確実に人間の意図を必要とする。
既存の手法はしばしば明示的な接触モデリングや強化を無視し、精度と一般化が制限される。
本研究では,人間のビデオからロボットの器用な操作を学習するためのロボットモーションフレームワークRetargetを提案する。
論文 参考訳（メタデータ） (2026-07-04T11:31:23Z) - TopoRetarget: Interaction-Preserving Retargeting for Dexterous Manipulation [32.317349412479885]
人手オブジェクトのデモは、参照トラッキングを通じて、デクスタラスラーニング(RL)ポリシーをトレーニングするための高密度な参照動作を提供する。
このような実演をRL政策学習に利用するためには、強化は手ポーズとタスク関連手オブジェクト接触構造を保たなければならない。
TopoRetargetは、さまざまな条件にまたがって単一のパラメータセットを使用するインタラクション保存フレームワークである。
TopoRetargetは、ContactPoseデータセット上のすべてのベースラインに対して、最高のコンタクト精度とアライメントを達成する。
論文 参考訳（メタデータ） (2026-06-15T06:20:46Z) - Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。
本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
論文 参考訳（メタデータ） (2026-05-21T10:15:39Z) - OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。
インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。
人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
論文 参考訳（メタデータ） (2025-09-30T17:59:02Z)
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。