論文の概要: HandsOn: A Large-Scale Simulation Benchmark for Generalizable Dexterous Manipulation
- arxiv url: http://arxiv.org/abs/2610.26765v1
- Date: Mon, 19 Oct 2026 17:22:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 01:33:36.711943
- Title: HandsOn: A Large-Scale Simulation Benchmark for Generalizable Dexterous Manipulation
- Title（参考訳）: HandsOn: 一般化可能なデクサラスマニピュレーションのための大規模シミュレーションベンチマーク
- Abstract要約: 汎用的な操作は、実施、オブジェクト、タスク要求にまたがる信頼性の高い振る舞いを必要とする。
我々は,構成可能なシミュレーションプラットフォームであるHandsOnを紹介した。
- 参考スコア（独自算出の注目度）: 14.80329550412521
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General-purpose manipulation requires reliable behavior across embodiments, objects, and task demands. We introduce HandsOn, a composable simulation platform and benchmark for cross-embodiment dexterous manipulation. It supports five robotic arms, six dexterous hands, and approximately 200 rigid, articulated, and deformable assets in randomized scenes. The benchmark pairs 18,000 curated human demonstrations with 66 human-verified tasks: Core-50 supports demonstration-based learning and execution tests, while Transfer-16 evaluates asset and relation transfer, skill composition, and deformable manipulation without target-task training demonstrations. Qualitative real-robot rollouts illustrate sim-to-real transfer. Across diffusion, vision-language-action, world-action, and prompted VLM-based methods, the best trained multi-task policy achieves 29.1% Core-50 success. Without benchmark finetuning, GPT-6 using move_eef for palm-and-finger control achieves 5.2% on Core-50 and 1.9% on Transfer-16 over 660 trials. Trained-policy stage diagnostics expose failures in contact establishment, action coordination, and maintaining achieved goals, with additional sequencing errors in composed tasks. HandsOn provides a shared basis for investigating manipulation generalization and the limits of reliable physical interaction.
- Abstract（参考訳）: 汎用的な操作は、実施、オブジェクト、タスク要求にまたがる信頼性の高い振る舞いを必要とする。
我々は,構成可能なシミュレーションプラットフォームであるHandsOnを紹介した。
5つのロボットアーム、6つの器用な手、そしてランダムなシーンで約200の剛体、関節、変形可能な資産をサポートする。
Core-50は、デモベースの学習と実行テストをサポートし、Transfer-16は、ターゲットタスクのトレーニングデモなしで、アセットとリレーション、スキル構成、変形可能な操作を評価します。
定性的実ロボットロールアウトはsim-to-real転送を示している。
拡散、ヴィジュアル・ランゲージ・アクション、ワールド・アクション、そしてVLMベースの手法によって、最も訓練されたマルチタスク・ポリシーは29.1%のCore-50を成功させた。
ベンチマークの微調整がなければ、手掌と指の制御に move_eef を使用する GPT-6 は Core-50 では5.2%、Transfer-16 では1.9% となる。
訓練された政治段階の診断は、接触の確立、行動調整、達成目標維持の失敗を露呈する。
HandsOnは、操作の一般化と信頼性のある物理的相互作用の限界を調査するための共通基盤を提供する。
関連論文リスト
- BiDex-100: A Comprehensive Benchmark for Bimanual Dexterous Manipulation Across 100+ Simulation Tasks [60.9163598556084]
本稿では,バイマン的デキスタラス操作のシミュレーションベンチマークであるBiDex-100を提案する。
ベンチマークは5つの機能軸に沿って編成された106のタスクで構成されている。
8,080件のテレオペレーティング・デモが成功し、合計625万フレームが提供される。
論文 参考訳（メタデータ） (2026-10-18T18:44:05Z) - PhysEvo: Astra Can Act, Let It [13.546497633698268]
単一の凍結モデルを中心とした物理的自己改善のためのフレームワークであるPhysEvoを紹介する。
タスクエージェントは、ロボットタスクを実行する。メタエージェントは、結果の軌跡を使用して、障害の診断、ツールやスキルの改訂、テスト修正を行う。
論文 参考訳（メタデータ） (2026-10-06T18:54:15Z) - DexJoCo-X: Benchmarking Action Representations for Multi-Hand Dexterous Manipulation [33.03049906677002]
クロス・エボディメント・ラーニングは、形態学固有の制御を維持しながら共有操作構造をキャプチャする統一表現を必要とする。
DexJoCo-Xは7つの代表的手間で比較を行うためのベンチマークとツールキットである。
対照的に、Being-H0.5は、クロス・エボディメント・プレトレーニング、統一されたアクション・スペース、そしてエボディメント・アウェアの専門家を組み合わせることで、一つの政策が7つの手全てを制御することができる。
論文 参考訳（メタデータ） (2026-10-02T13:21:13Z) - Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies [37.54166492459369]
GPT-6 アストラは数値的なロボット動作を生成する素晴らしい能力を示す。
グリップパ操作では、Astraはタスクターゲットを修正でき、その後のポリシー実行のための接触条件を準備できる。
巧妙な操作では、ハイブリッドコントロールは10回の経験誘導型DexJoCo試験で50%の成功を達成している。
ナビゲーションでは、Astraがローカル比較をリードし、RxR命令で92%、HM3Dオブジェクトサーチで82%成功しました。
論文 参考訳（メタデータ） (2026-09-29T20:54:47Z) - CodeActionBench: Evaluating Agentic Code-as-Policy for Embodied Manipulation [55.1660787557339]
CodeActionBenchは、エージェント的なCode-as-Policyを通じてこの機能を評価する25の操作タスクのベンチマークである。
共有ロボットAPIは、RGB観測、校正された幾何学的操作、ロボットのフィードバック、および有界運動を提供し、タスク依存の判断を評価対象に残す。
9つの構成と675の試行で大規模な評価が行われ、成功率は2.7%から73.3%である。
最も強力な構成であるGPT-6 Astra with Codex CLIは、3回の試行で少なくとも25タスクのうち22タスクを解決した。
論文 参考訳（メタデータ） (2026-09-27T17:59:31Z) - UniDex-ViTac: Learning Unified Visuo-Tactile Dexterous Manipulation Policy from Human Video Data [0.45880283710344055]
We present UniDex-ViTac, a framework that using human-video-guided Simulation to generate robot demonstrations with fingertip contact observed。
我々は1万の擬似軌道を収集し、1つのAction Chunking with Transformers (ACT)ベースのジェネラリストを訓練する。
接触拡大された構成は、ポイントクラウドのみのベースラインで55.5%に対して、シミュレーションで68.3%のマクロ平均成功を実現している。
論文 参考訳（メタデータ） (2026-09-15T01:52:33Z) - SpatialWorld: Benchmarking Interactive Spatial Reasoning of Multimodal Agents in Real-World Tasks [73.92333717662558]
SpaceWorldは、複雑な現実世界のタスクにおけるマルチモーダルエージェントのインタラクティブな空間的理解を評価するためのベンチマークである。
多様なドメイン(例えば、家庭のルーチン、旅行、社会協力など)にまたがる760の人称タスクが特徴である。
信頼性評価のために、各タスクは、人間検証された初期状態、参照軌跡、端末状態検証器を含む。
論文 参考訳（メタデータ） (2026-06-08T15:51:51Z) - 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) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z)
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。