論文の概要: DexPort: A Hand-Held Skill Interface for Dexterous Hand Data Collection
- arxiv url: http://arxiv.org/abs/2610.32969v1
- Date: Fri, 23 Oct 2026 17:56:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.629796
- Title: DexPort: A Hand-Held Skill Interface for Dexterous Hand Data Collection
- Title（参考訳）: DexPort: Dexterous Hand Dataコレクションのためのハンドヘルドスキルインターフェース
- Abstract要約: 本稿では,ハイDoFロボットハンド用の携帯型データ収集インタフェースであるDexPortを紹介する。
収集中、オペレータはハンドヘルドインターフェースを移動して、ロボット手首の動きを指定する。
ロボットアームを使わずに、現実のタスクや非構造化環境でデモを収集する。
- 参考スコア（独自算出の注目度）: 16.440798548247194
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collecting high-quality demonstrations remains a central bottleneck for learning dexterous manipulation. Teleoperation records executable robot actions, but it requires a complete robot setup and places the burden of coordinating many finger joints on the operator. Human demonstrations are easier to collect, but their motions must be estimated and retargeted to the robot, and they do not directly provide robot actions. In this paper, we introduce DexPort, a portable data-collection interface for high-DoF robot hands. It uses the same hand hardware for collection and deployment, avoiding a hand embodiment gap, and records both commanded joint targets and measured joint states. Our key observation is that a small set of skills can support a wide range of dexterous tasks. During collection, the operator moves the hand-held interface to specify the robot wrist motion and selects or adjusts skills that coordinate the finger motion. This removes the need to control each joint independently while retaining behaviors such as precise grasping and in-hand manipulation. We collect demonstrations across several real-world tasks and in unstructured environments without a robot arm. We then use behavior cloning to train visuomotor policies directly on the recorded wrist motions and hand commands, without skill labels. We evaluate across 4 tasks: pick-and-place with diverse objects, screwing with in-hand tool use, drawer stowage which requires simultaneous grasp and pulling, and a bimanual scanning task. We collect over 2,500 demonstrations with our portable device, in both laboratory and in-the-wild settings. Across our tasks, we see an improvement from 11% to 64% when using recorded robot commands instead of states, and an improvement from 36% to 78% for task success when using in-the-wild data.
- Abstract（参考訳）: 高品質なデモを収集することは、厳密な操作を学ぶ上で、依然として中心的なボトルネックである。
遠隔操作は実行可能なロボット動作を記録するが、完全なロボットの設定が必要であり、操作者には多くの指関節を調整する負担を課す。
人間のデモは簡単に収集できるが、ロボットの動きを推定し、ロボットに再ターゲティングする必要がある。
本稿では,ハイDoFロボットハンド用の携帯型データ収集インタフェースであるDexPortを紹介する。
同じ手動のハードウェアを収集と配備に使用し、手動の実施のギャップを回避し、指示された関節目標と測定された関節状態の両方を記録する。
私たちのキーとなる観察は、小さなスキルセットが、広範囲の精巧なタスクをサポートすることができるということです。
操作者は手持ちのインターフェースを移動してロボットの手首の動きを指定し、指の動きを調整するスキルを選択または調整する。
これにより、正確な把握や手操作などの動作を維持しながら、各関節を独立して制御する必要がなくなる。
ロボットアームを使わずに、現実のタスクや非構造化環境でデモを収集する。
次に,手首の動きや手指の操作を直接、スキルラベルを使わずに、行動クローニングを用いてビジュモータポリシーを訓練する。
多様な物体のピック・アンド・プレース、手作業でのツール使用のネジ、同時把握と引き抜きを必要とする引き出し・スタワージ、およびバイマニュアル・スキャンタスクの4つのタスクについて評価を行った。
実験室と現場の両方で、2500以上のデモをポータブルデバイスで収集しています。
タスク全体では、状態ではなく記録されたロボットコマンドを使用する場合の11%から64%の改善が見られ、Wildデータを使用する場合のタスク成功率は36%から78%に改善されている。
関連論文リスト
- InterMimicGen: Scaling Humanoid Loco-Manipulation through Self-Evolving Motion Imitation [51.061592469527966]
自己進化型モーションアニメーションフレームワークであるInterMimicGenを紹介する。
まず、モーションキャプチャーされた人間と物体の相互作用を統合し、それらをヒューマノイドロボットの参照に再ターゲットする。
第2に,人間の手によるシミュレーションにおいて,これらの参照を実行する物理に基づくジェネラリストトラッカーを訓練する。
第3に、データフライホイールを閉じます。各ラウンドは、インタラクションの発生場所と動作方法に小さなタスク保存変更を施し、トラッカーを微調整し、シミュレートされた実行がタスクを完了した変種のみを保持する。
論文 参考訳（メタデータ） (2026-10-05T17:59:50Z) - Skel-WAM: A Hand-Skeleton-Conditioned World Action Model for Human-to-Robot Manipulation Transfer [61.50662046794264]
Skel-WAMは,ハンドスケルトン・モーション・インタフェースの統一による差異をブリッジする世界アクション・モデルである。
主な洞察は、人間の動きとロボットの動きを共通のハンドトポロジーで調整し、シーン内の地面の動きを、明示的な手の動きをエンコードする2.5Dキーポイントと組み合わせることである。
ビデオとキーポイントの専門家は、Mixture-of-Transformersを通じて視覚と骨格のダイナミクスを共同で学習し、ロボット訓練されたアクションエキスパートはこれらの予測を実行可能なコントロールにマップする。
論文 参考訳（メタデータ） (2026-09-18T09:06:15Z) - Towards Human-level Dexterous Teleoperation [62.77371751776912]
人レベルのデキスタラス遠隔操作は、動的手動物体接触による物体の動きを正確に制御する必要がある。
我々は,操作者の意図を学習された低レベルのコンタクト実行にマッピングするハンドオブジェクト・コトラッキング・コントローラであるTeleDexterを紹介した。
我々はTeleDexterを、物体の向きを変える7つの難易度遠隔操作タスクと、両手にわたる長距離ツールを用いて評価した。
論文 参考訳（メタデータ） (2026-07-13T12:36:47Z) - What Matters When Cotraining Robot Manipulation Policies on Everyday Human Videos? [51.606902362959495]
私たちは、28時間の高品質な三角測量された手ラベルと自然な動きを備えた532人のビデオのデータセットを使用します。
手のポーズの質は移動に影響を与えるが、正確な手であっても、視覚と政策ネットワークがそれぞれの実施に特化しない限り、固有の動きギャップは移動を妨げる。
論文 参考訳（メタデータ） (2026-06-04T18:24:23Z) - DexImit: Learning Bimanual Dexterous Manipulation from Monocular Human Videos [56.64773686434068]
DexImitは、人間の操作映像を物理的に妥当なロボットデータに変換する自動フレームワークである。
DexImitは、インターネットまたはビデオ生成モデルから、人間のビデオに基づいて大規模なロボットデータを生成することができる。
ツールの使用、長距離タスク、きめ細かい操作を含む多様な操作タスクを処理できる。
論文 参考訳（メタデータ） (2026-02-10T18:59:02Z) - DEXOP: A Device for Robotic Transfer of Dexterous Human Manipulation [39.95361636017463]
周操作は、人間の操作を感知し記録し、実際のロボットへのデータの転送可能性を最大化する、ロボットデータ収集のパラダイムである。
我々は,このパラダイムを,自然環境における多種多様な操作タスクのためのリッチな感覚(視覚+触覚)データ収集能力の最大化を目的とした,受動的手外骨格であるDEXOPに実装する。
論文 参考訳（メタデータ） (2025-09-04T17:57:13Z) - Whole-Body Teleoperation for Mobile Manipulation at Zero Added Cost [8.71539730969424]
MoMa-Teleopは、既存のインターフェースからエンドエフェクタ動作を推測する新しい遠隔操作手法である。
提案手法は,様々なロボットやタスクに対して,タスク完了時間が大幅に短縮されることを実証する。
論文 参考訳（メタデータ） (2024-09-23T15:09:45Z) - Giving Robots a Hand: Learning Generalizable Manipulation with
Eye-in-Hand Human Video Demonstrations [66.47064743686953]
眼内カメラは、視覚に基づくロボット操作において、より優れたサンプル効率と一般化を可能にすることを約束している。
一方、人間がタスクを行うビデオは、ロボット遠隔操作の専門知識を欠いているため、収集コストがずっと安い。
本研究では,広範にラベルのない人間ビデオによるロボット模倣データセットを拡張し,眼球運動ポリシーの一般化を大幅に促進する。
論文 参考訳（メタデータ） (2023-07-12T07:04:53Z) - From One Hand to Multiple Hands: Imitation Learning for Dexterous
Manipulation from Single-Camera Teleoperation [26.738893736520364]
我々は,iPadとコンピュータのみで3Dデモを効率的に収集する,新しい単一カメラ遠隔操作システムを提案する。
我々は,操作者の手の構造と形状が同じであるマニピュレータである物理シミュレータにおいて,各ユーザ向けにカスタマイズされたロボットハンドを構築する。
データを用いた模倣学習では、複数の複雑な操作タスクでベースラインを大幅に改善する。
論文 参考訳（メタデータ） (2022-04-26T17:59:51Z)
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。