論文の概要: Learning Dexterous Manipulation: Hands, Simulators, Training, and Evaluation
- arxiv url: http://arxiv.org/abs/2610.33486v1
- Date: Sat, 24 Oct 2026 06:26:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.341634
- Title: Learning Dexterous Manipulation: Hands, Simulators, Training, and Evaluation
- Title(参考訳): 有害マニピュレーションの学習:手,シミュレータ,トレーニング,評価
- Abstract要約: このサーベイは、それを試みる学習ベースの113の手法をカバーしている。
また、動作中の手、トレーニング中のシミュレーター、結果の報告方法もカバーしている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A dexterous hand can change an object's pose without setting it down. This survey covers 113 learning-based methods that attempt it, the hands they run on, the simulators they train in, and how they report results. The field has largely converged on one recipe: reinforcement learning on privileged state in a GPU simulator, distilled into a vision-only student for transfer to hardware. Almost half the corpus trains that way, nearly all of it in one simulator, whose own successors are barely used. A second and faster-growing branch learns from teleoperated demonstration instead, through vision-language-action models, diffusion policies, and systems whose contribution is the collection rig itself. Published work has tripled since 2022. Grasping remains the largest task family and bimanual coordination the fastest-rising, and almost every experiment runs on one of four hands. What the survey adds comes from reading released code and vendor specifications beside the papers. Eight hands that can be bought or built from published designs appear in no method paper here. Where the depth a hand sinks into the object it holds is reported at all, it is not measured in the physics that produced the motion. Section VII proposes a protocol for the unreported quantities; the body gives the counts behind every claim above.
- Abstract(参考訳): 器用な手は、オブジェクトを下に置かずに、オブジェクトのポーズを変えることができる。
このサーベイでは、それを試すための学習ベースの方法113、手を動かす方法、訓練するシミュレーター、結果の報告方法などについて紹介する。
GPUシミュレーターの特権状態に関する強化学習は、ハードウェアへの転送のために視覚のみの学生に蒸留される。
ほぼ半分のコーパスは1つのシミュレーターに収められており、後継車はほとんど使われていない。
第2の速く成長するブランチは、視覚言語アクションモデル、拡散ポリシー、コレクションリグ自体に寄与するシステムを通じて、遠隔操作によるデモンストレーションから学習する。
出版物は2022年から3倍に増えた。
グラッピングは依然として最大のタスクファミリーであり、二元調整は最も速く、ほぼすべての実験は4つの手のうちの1つで行われる。
調査に追加されるのは、ドキュメントの横にあるリリースコードとベンダの仕様を読むことだ。
発行されたデザインから購入または製造できる8本の手は、ここではメソッドペーパーに表示されない。
手が保持する物体に沈む深さは一切報告されないが、運動を発生させた物理学では測定されていない。
第7節では、報告されていない量のプロトコルを提案している。
関連論文リスト
- Open-World Law-to-Action: Vision-Language Priors and Touch for Parts with Hidden Physics [0.0]
オープンワールド・ロー・ツー・アクション(L2A)について紹介する。
視覚言語モデル(VLM)は、各可動部に対して、その動き、その動きの法則、そしてそれをロックするものを提案する。
ロボットは、一方向または二方向に動く部分について、ベイジアン線形回帰(英語版)によってオンラインで各部の法則を同定し、見えない部分や動きがターゲットをロックする仮説を保持する。
論文 参考訳(メタデータ) (2026-10-24T14:41:14Z) - Dex-One2Many: Learning Dexterous Manipulation from a Single Human Demonstration [49.6097060414418]
Dex-One2Manyは、人間のビデオから一般的な操作ポリシーを学習する、リアルからシミュレート・トゥ・リアルなフレームワークである。
我々の重要な洞察は、動画をRLを導くシーケンシャルなシーングラフに抽象化し、広い一般化性を維持しながら効率的な探索を可能にすることである。
グラフは正確なポーズよりも関係を制約するため、これらのリセット状態はオブジェクトのポーズをカバーし、ビデオを超えて把握する。
論文 参考訳(メタデータ) (2026-10-08T17:59:58Z) - See to Reach, Feel to Grasp: Learning A Blind Grasp Reflex for Anthropomorphic Robotic Hands [52.43070416764809]
局所的な接触制御から大域的な腕の動きを分離するモジュラーデクスタラス把握アーキテクチャを提案する。
我々はこのテクティタをブラインド・グリーグ・リフレクションと呼び、画像や物体のポーズ、幾何学的な観察なしに把握する。
シミュレーションとハードウェアの実験では、多様な物体にまたがる堅牢なブラインド把握と、様々なアームコントローラによるシームレスな構成が示されている。
論文 参考訳(メタデータ) (2026-09-25T14:27:54Z) - CALM: Current Aligned Link Manipulation for Single Arm Oversized Object Lifting [27.902322854544835]
Current-Aligned Link Manipulation は、モータ電流を結合荷重関連フィードバックとして使用する長軸接触リッチな操作を学習するためのフレームワークである。
ステージ固有の3つのポリシーは、まず、特権化されたシミュレーション情報を使用して再配置、把握、持ち上げを学習する。
実験では、シミュレーションにおける76.2%(762/1000回)の完全タスク成功と73.3%(22/30回)の物理ロボットによる連続的なオーバーサイズオブジェクトリフトの成功が示されている。
論文 参考訳(メタデータ) (2026-09-24T04:32:24Z) - FetchMan: Learning Visual Humanoid Loco-Manipulation Policies from Simulated Experiences [27.81769516494806]
我々は、新しいシーンやオブジェクトに一般化できる視覚的ロコ操作ポリシーを訓練する。
その結果, 合成デモのクローン化は, トレーニングデータの量に関係なく, 低い性能の天井となることがわかった。
我々はこのレシピをマルチオブジェクトトレーニングに拡張し、このデータスケールでのloco-manipulation Generalistポリシーへの第一歩とする。
論文 参考訳(メタデータ) (2026-08-17T18:24:41Z) - MoDex: A Diffusion Policy for Sequential Multi-Object Dexterous Grasping [21.83502130353004]
ほとんどの厳密な把握法は、すべての自由度を単一の物体にコミットする。
MoDexは、観測から直接次のグリップのポーズを予測する拡散ポリシーである。
我々は,MuJoCoをベースとしたFranka Emika PandaロボットのシミュレーションにおけるMoDexの評価を行った。
論文 参考訳(メタデータ) (2026-06-03T20:22:10Z) - Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。
本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
論文 参考訳(メタデータ) (2025-10-07T15:57:00Z) - Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。
ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。
本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
論文 参考訳(メタデータ) (2023-12-28T23:34:43Z) - 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) - Visual Imitation Made Easy [102.36509665008732]
本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。
我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。
我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
論文 参考訳(メタデータ) (2020-08-11T17:58:50Z)
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。