論文の概要: Learning Adaptable Dexterous Skills via Hybrid Dexterous Mimicking

• arxiv url: http://arxiv.org/abs/2610.28628v1
• Date: Tue, 20 Oct 2026 17:59:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.981221
• Title: Learning Adaptable Dexterous Skills via Hybrid Dexterous Mimicking
• Title（参考訳）: ハイブリッドデクサラスミミキングによる適応的デクサラススキルの学習
• Abstract要約: 目標条件付きRLフレームワークであるAdaDexについて述べる。 AdaDexの中核はHybrid Dexterous Mimickingであり、大規模な並列環境の2つの集団で共有ポリシーが訓練されている。
• 参考スコア（独自算出の注目度）: 48.1723054329039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dexterous multi-finger hands hold promise to unlock diverse skills like functional grasps, in-hand reorientation, and dynamic handover that the human-designed world assumes, yet existing learning recipes force a trade-off. Goal-reaching reinforcement learning generalizes to arbitrary object poses but, lacking any human prior, converges to unnatural and unreliable finger strategies; motion tracking reproduces human-like behavior from a single clip but cannot deviate from it. We present AdaDex, a goal-conditioned RL framework that turns a single hand-object trajectory of a few seconds---from mocap data or HOI reconstruction from in-the-wild RGB(D) video---into an adaptable dexterous skill. At the core of AdaDex is Hybrid Dexterous Mimicking: a shared policy is trained on two populations of massively parallel environments: motion tracking environments trained with dense motion tracking objective, which instill the human prior from human motion; and generalization environments with noised initial states and goals and a sparse object-success reward, which force the skill to work far off the reference. From seconds of human motion per skill, the resulting policies can learn diverse adaptable dexterous skills, such as functional grasping, object reposing, in-hand reorientation with finger gaiting, and dynamic behaviors like throw-and-catch. Our method outperforms baselines in terms of generalization and functionality, and we demonstrate transfer across simulators and to the real world. Project page: https://yuxuank.com/AdaDex/.
• Abstract（参考訳）: Dexterous Multi-finger Handsは、人間の設計した世界が想定する機能的把握、手作業の再調整、動的ハンドオーバといった多様なスキルを解き放つことを約束するが、既存の学習レシピはトレードオフを迫る。 目標獲得強化学習は、任意のポーズに一般化するが、人間の先行性が欠如しているため、不自然で信頼できない指の戦略に収束する。 目標条件付きRLフレームワークであるAdaDexは,モカプデータやHOI再構成から,数秒間の片手対象軌跡を適応可能なデキスタススキルに変換する。 AdaDexの核心にあるのは、Hybrid Dexterous Mimicking: 共有ポリシーは、非常に並列な環境の2つの集団に基づいて訓練されている。 スキルごとの人間の動きの秒から、結果として得られるポリシーは、機能的把握、オブジェクトの再現、指の出入りによる手動の方向転換、スロー・アンド・キャッチのような動的な振る舞いなど、多様な適応可能な器用なスキルを学ぶことができる。 提案手法は,一般化と機能の観点からベースラインを上回り,シミュレータや実世界へのトランスファーを実演する。 プロジェクトページ:https://yuxuank.com/AdaDex/。

関連論文リスト

• SUGAR: A Scalable Human-Video-Driven Generalizable Humanoid Loco-Manipulation Learning Framework [27.050974194855964]
  現実の世界における全身のロボット操作を一般化できるヒューマノイドロボットの構築は、依然として根本的な課題である。 SuGARは、多様な人間の動画をデプロイ可能なヒューマノイドのロコ操作スキルに変換するスケーラブルなデータ駆動フレームワークである。 シミュレーションと実世界のヒューマノイドハードウェアにおいて,SUGARを6つの代表的ロコ操作タスクで評価する。
  論文  参考訳（メタデータ） (2026-05-19T18:24:05Z)
• ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
  ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。 ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。 結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
  論文  参考訳（メタデータ） (2025-10-06T17:47:02Z)
• WANDR: Intention-guided Human Motion Generation [67.07028110459787]
  我々は,アバターの初期ポーズとゴールの3D位置を取り,ゴール位置にエンドエフェクタ(抵抗)を配置する自然な人間の動きを生成するデータ駆動モデルであるWADRを紹介する。 インテンションはエージェントをゴールに誘導し、サブゴールやモーションパス全体を定義することなく、新しい状況にインタラクティブに世代を適応させる。 提案手法を広範に評価し,3次元目標に到達した自然および長期の動作と,見当たらない目標位置を生成できることを実証する。
  論文  参考訳（メタデータ） (2024-04-23T10:20:17Z)
• Generalization Through Hand-Eye Coordination: An Action Space for Learning Spatially-Invariant Visuomotor Control [67.23580984118479]
  模倣学習(il)は、オフラインデモデータから視覚能力を学ぶための効果的なフレームワークである。 手目行動ネットワーク(HAN)は、人間の遠隔操作による実証から学習することにより、人間の手目協調行動を推定することができる。
  論文  参考訳（メタデータ） (2021-02-28T01:49:13Z)
• Learning Dexterous Grasping with Object-Centric Visual Affordances [86.49357517864937]
  控えめなロボットハンドは、機敏さと人間のような形態をアピールしています。 本稿では,厳密な把握を学習するためのアプローチを提案する。 私たちのキーとなるアイデアは、オブジェクト中心の視覚的余裕モデルを深い強化学習ループに埋め込むことです。
  論文  参考訳（メタデータ） (2020-09-03T04:00:40Z)

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。