論文の概要: AdaDexTrack: Dynamic Modulation for Adaptive and Generalizable Dexterous Manipulation Tracking

• arxiv url: http://arxiv.org/abs/2610.33852v1
• Date: Sat, 24 Oct 2026 18:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.463691
• Title: AdaDexTrack: Dynamic Modulation for Adaptive and Generalizable Dexterous Manipulation Tracking
• Title（参考訳）: AdaDexTrack: 適応的で一般化可能なデクサラスマニピュレーショントラッキングのための動的変調
• Abstract要約: AdaDexTrackは、言語条件の操作をトラッキングするモジュール・イン・ザ・ループフレームワークである。 AdaDexTrackは、平均的なトラッキングエラーと成功率の両方において、目に見えない軌道と見えない対象セットにおいて、SOTAよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 20.056956733170704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language is a natural way to command robots, but converting a single instruction into a long-horizon, contact-rich hand-object interaction remains challenging: synthesized references are noisy, human-to-robot retargeting introduces embodiment bias, and fixed-reference tracking lets small errors snowball. We address this with AdaDexTrack, a modulator-in-the-loop framework for language-conditioned manipulation tracking. A distilled generalist tracker serves as the skill carrier, while a tightly aligned modulator performs three feedback corrections: reference modulation (continual adjustment of what to track), object-latent modulation (online adaptation of the object representation to recruit suitable skills), and positional-target modulation (small state-dependent refinements for execution). The tracker is learned via large-scale specialist to generalist distillation on a corpus of language-conditioned hand-object trajectories; the modulator is trained with RL under the same task objective, ensuring tight coupling. Across large-scale evaluations, AdaDexTrack consistently outperforms prior SOTA on unseen-trajectory and unseen-object sets in both average tracking error and success rate, demonstrating robustness and generalization. We further show zero-shot sim-to-real transfer on real hardware, where adding the modulator yields substantial gains over a tracker-only variant. AdaDexTrack reframes language-conditioned dexterous manipulation as modulated tracking, replacing the open-loop, fixed-reference tracking with in-loop modulation that adjusts the reference, object latent, and positional target, yielding drift-resistant execution from noisy text references.
• Abstract（参考訳）: 合成された参照はノイズが多く、人間からロボットへの再ターゲティングは実施バイアスを導入し、固定参照トラッキングは小さなエラーをスノーボールにします。 我々はAdaDexTrackでこの問題に対処する。AdaDexTrackは言語条件による操作追跡のためのモジュール・イン・ザ・ループフレームワークである。 蒸留されたジェネリストトラッカーが技術担体として機能し、密に整列された変調器が3つのフィードバック補正を行う:参照変調(トラックの連続的な調整)、オブジェクト相対変調(適切なスキルを募集するためのオブジェクト表現のオンライン適応)、位置目標変調(実行のための小さな状態依存調整)。 トラッカーは、言語条件のハンドオブジェクト軌跡のコーパス上で、大規模な専門知識から一般の蒸留法を学習し、モジュレータはRLと同一のタスク目的で訓練され、密結合が確保される。 大規模な評価において、AdaDexTrackは、平均的なトラッキングエラーと成功率の両方において、無形軌道と無形物体のセットにおいて、常にSOTAよりも優れ、頑健さと一般化を実証している。 さらに、実ハードウェア上でゼロショットのsim-to-real転送を示す。 AdaDexTrackは、言語条件付きデキスタラスな操作を、修正されたトラッキングとして再設定し、オープンループ、固定参照トラッキングを、参照、オブジェクト遅延、位置目標を調整するインループ変調に置き換え、ノイズの多いテキスト参照からドリフト耐性のある実行を生成する。

関連論文リスト

• ViBe: Visual Behavior Adaptation for Perceptive Humanoid Whole-Body Control [11.96687692057234]
  ViBeは、モーショントラッカーを知覚的な制御タスクに適応するためのフレームワークである。 本研究は, パーセプティブ・ウォーキング, パーセプティブ・ウォーキング, ポーズ・キューブ, オームニ・オブジェクト・ロコ・マニピュレーション, ドッジボールを横断するゼロショット・シム・トゥ・リアルな移動を示す。
  論文  参考訳（メタデータ） (2026-09-09T09:11:26Z)
• Efficient Language-to-Vision Feature Injection for Referring Single-Object Tracking [21.780462979089886]
  LVTrackは、テキストガイダンスを適応的に制御するモード条件付きGated Featureを導入した純粋なトランスフォーマーフレームワークである。 凍結した視覚言語事前学習モデルを直接利用し、トレーニングコストを大幅に削減し、強力な言語理解を維持する。 時間的ローカライゼーションをさらに改善するため、LVTrackは、ハイブリッド相対絶対位置符号化と軽量メモリ機構を統合している。
  論文  参考訳（メタデータ） (2026-08-29T08:09:08Z)
• Dynamic Parsing and Updating Natural Language Specification using VLMs for Robust Vision-Language Tracking [61.91472604294714]
  トラッキング主成分を抽出する新しい言語依存解析機構を提案する。 我々は、事前学習された視覚言語モデルQwen-VLの強力なクロスモーダル理解能力を利用する。 本手法は,複数の大規模視覚言語追跡ベンチマークにおいて,一貫した,より優れたトラッキング性能を実現する。
  論文  参考訳（メタデータ） (2026-06-28T12:12:18Z)
• ConTrack: Constrained Hand Motion Tracking with Adaptive Trade-off Control [8.827966532956918]
  追跡データでスケールする強化学習フレームワークであるConTrackを紹介します。 ConTrackはオブジェクトのトラッキングを制約として扱い、残りのコントロール権限を動きの忠実さに割り当てる。 さらに、ConTrackは適応的な中軌道リセットライブラリで長期学習を安定化する。
  論文  参考訳（メタデータ） (2026-06-02T05:31:32Z)
• Omni-Supervised Motion Editing: Balancing Change and Invariance through Positive-Negative Learning [55.410155357480654]
  我々はOmniMEという,Omni-Supervised Positive-Negative Learningフレームワークを提案する。 本手法は3つの相補的成分を統合する。 MotionFixとSTANCE調整データセットの実験は、OmniMEが編集アライメントにおける最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-05-29T08:09:51Z)
• Meta-Adaptive Beam Search Planning for Transformer-Based Reinforcement Learning Control of UAVs with Overhead Manipulators under Flight Disturbances [8.618483849755604]
  オーバーヘッドマニピュレータを備えたドローンは、検査、メンテナンス、コンタクトベースのインタラクションにユニークな機能を提供する。 ドローンとそのマニピュレータの動作は強く結びついており、風や制御の欠陥による小さな姿勢の変化でさえ、エンドエフェクターを意図した経路から遠ざける。 変換器をベースとしたDouble Deep Q Learning (DDQN) を用いた強化学習フレームワークを開発した。 これにより、コントローラは実際のモデル上でこれらのアクションを直接実行するのではなく、シミュレーションされたロールアウトを通じてエンドエフェクタの動きを予測できる。
  論文  参考訳（メタデータ） (2026-03-27T17:08:40Z)
• Global Evolutionary Steering: Refining Activation Steering Control via Cross-Layer Consistency [12.78111885039368]
  アクティベーションエンジニアリングは、微調整の計算コストを伴わずに、大規模言語モデル(LLM)の正確な制御を可能にする。 静的なアクティベーション差からベクトルを導出する既存の手法は、高次元ノイズや階層的なセマンティックドリフトの影響を受けやすい。 本稿では,GERステアリング(Global Evolutionary Refined Steering, GER-steer)を提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:45:19Z)
• CADTrack: Learning Contextual Aggregation with Deformable Alignment for Robust RGBT Tracking [68.71826342377004]
  RGB-Thermal (RGBT) トラッキングは、堅牢な全天候物体追跡のために可視および熱赤外モードを活用することを目的としている。 既存のRGBTトラッカーはモダリティの相違を解決するのに苦労している。 RGBT追跡のためのCADTrackと呼ばれる,変形可能なアライメントによるコンテキストアグリゲーション(Contextual Aggregation)を提案する。
  論文  参考訳（メタデータ） (2025-11-22T08:10:02Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Transforming Model Prediction for Tracking [109.08417327309937]
  トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。 提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。 我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
  論文  参考訳（メタデータ） (2022-03-21T17:59:40Z)
• Learning Dynamic Compact Memory Embedding for Deformable Visual Object Tracking [82.34356879078955]
  本稿では,セグメント化に基づく変形可能な視覚追跡手法の識別を強化するために,コンパクトなメモリ埋め込みを提案する。 DAVIS 2017ベンチマークでは,D3SやSiamMaskなどのセグメンテーションベースのトラッカーよりも優れている。
  論文  参考訳（メタデータ） (2021-11-23T03:07:12Z)

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。