論文の概要: Dexterous In-Hand Object Pose Reaching with Learned Safety Filters

• arxiv url: http://arxiv.org/abs/2610.37652v2
• Date: Tue, 03 Nov 2026 18:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.364778
• Title: Dexterous In-Hand Object Pose Reaching with Learned Safety Filters
• Title（参考訳）: 学習型安全フィルタを用いたデクサラスインハンドオブジェクトの取得
• Abstract要約: マルチフィンガーハンドによる有害な操作は、ロボティクスの次のフロンティアである。 我々は、多様かつ困難な把握を必要とする課題である、手作業のポーズ・ポーズ・リーチについて研究する。 人的データのないシミュレーションにおいて、LEAPハンドでそのようなポリシーを訓練するためのレシピを提案する。
• 参考スコア（独自算出の注目度）: 1.577107031534478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dexterous manipulation with multi-fingered hands is the next frontier of robotics, yet learned hand skills remain limited to simple grasps or basic repeated motions, such as rotating an object. As robots attempt more demanding in-hand maneuvers, safety, such as not dropping the object, becomes critical, yet it is rarely measured. We study in-hand object pose reaching, a task that demands diverse and difficult grasps: moving an object to almost any position and orientation within reach of the fingers, at any wrist orientation, through long sequences of consecutive goals. We present a recipe for training such policies for a LEAP hand in simulation without human data, built on a range of insights, from diverse resets and goals via generated grasp datasets to an adaptive friction curriculum. With careful system identification, the policies transfer zero-shot to the real hand, using either motion capture or a single wrist-mounted depth camera, and prove remarkably capable and robust. On top of the task policy, we add a learned residual safety filter with adjustable conservativeness, letting us tune the balance between performance and safety and greatly reduce object drops. In 13.3 hours of real-robot evaluation over 4,800 unseen goals across 4 objects and diverse wrist orientations, the state-based policy reaches 95.2% of goals within 2 cm and 0.4 rad, and the filter cuts its drops by 75% while still reaching 91.5% of goals. The policies can also spin a lightbulb held in an arbitrary pose, reach out-of-distribution goals, withstand fast arm motion and perturbations, and, needing only a wrist camera, serve as portable skills such as screwing in a lightbulb. We release the full recipe as a platform for studying performance, reliability, and safety in high-dimensional dexterous systems. Videos and more are available at https://ian-chuang.github.io/dexsafe/.
• Abstract（参考訳）: ロボット工学の次のフロンティアは、マルチフィンガーハンドによるデクサラスな操作だが、学習された手技は、物体を回転させるような単純なつかみや基本的な動きに限られている。 ロボットがより手動で操作しようとすると、物体を落とさないなどの安全性が重要になるが、計測されることはめったにない。 対象物を指の届く範囲内、手首の向き、連続したゴールの長い連続を通して、ほぼあらゆる位置に移動させるという、多種多様な難易度な把握を必要とする課題である、手首のポーズリーチ(in-hand object pose reach)について研究する。 本稿では,多種多様なリセットや目標から,生成した把握データセットから適応的摩擦カリキュラムまで,さまざまな知見に基づいて構築された人的データを持たないシミュレーションにおいて,LEAPハンドによるそのようなポリシーを訓練するためのレシピを提案する。 注意深いシステム識別では、このポリシーはモーションキャプチャーまたは単一の手首に取り付けられたディープカメラを使用して、ゼロショットを現実の手に転送する。 タスクポリシに加えて、調整可能な保守性を備えた学習された残留安全フィルタを追加し、パフォーマンスと安全性のバランスを調整し、オブジェクトのドロップを大幅に削減する。 4つの対象と多種多様な手首方向の4,800点以上の実ロボット評価の13.3時間において、州ベースの政策は2 cm と 0.4 radの95.2%の目標に達し、フィルターは、まだ91.5%の目標を達成しながら、その減少を75%削減した。 ポリシーはまた、任意のポーズで電球を回転させ、分配目標に到達し、高速な腕の動きや摂動に耐え、手首カメラだけを必要とするため、電球のねじりのようなポータブルな技術として機能する。 我々は,高次元デクスタラスシステムの性能,信頼性,安全性を研究するためのプラットフォームとして,全レシピをリリースする。 ビデオはhttps://ian-chuang.github.io/dexsafe/.comで公開されている。

関連論文リスト

• Learning Adaptable Dexterous Skills via Hybrid Dexterous Mimicking [48.1723054329039]
  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。
  論文  参考訳（メタデータ） (2026-10-20T17:59:32Z)
• Learning In-Hand Object Reaching to General 6D Poses [20.489992320820324]
  手で操作することで、複数の指のデキスタラスハンドが、それをリリースしたり、再生したりすることなく、把握したオブジェクトを再構成することができる。 既存のグリップから、調整された指の動きから、物体をヤシ相対的なターゲットポーズに移動させる。 本稿では,この課題に対する実力強化学習フレームワークであるPOISEを提案する。
  論文  参考訳（メタデータ） (2026-09-12T07:11:37Z)
• 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)
• Dexterity from Smart Lenses: Multi-Fingered Robot Manipulation with In-the-Wild Human Demonstrations [52.29884993824894]
  自然環境で日々のタスクを行う人間から、マルチフィンガーロボットポリシーを学ぶことは、ロボットコミュニティにとって長年の大きな目標だった。 AINAは、Aria Gen 2メガネを使用して、どこでも、どこでも、あらゆる環境で収集されたデータから、マルチフィンガーポリシーを学ぶことができる。
  論文  参考訳（メタデータ） (2025-11-20T18:59:02Z)
• GraspXL: Generating Grasping Motions for Diverse Objects at Scale [30.104108863264706]
  政策学習フレームワークGraspXLにおいて,複数の動作目標に対して手物体の把握動作の発生を統一する。 58個のオブジェクトでトレーニングされたポリシーは、成功率82.2%の500万以上の未確認オブジェクトに対して、多様な把握動作を堅牢に合成することができる。 私たちのフレームワークは、さまざまな手元にデプロイでき、再構築または生成されたオブジェクトで作業できます。
  論文  参考訳（メタデータ） (2024-03-28T17:57:27Z)
• DexCatch: Learning to Catch Arbitrary Objects with Dexterous Hands [14.712280514097912]
  そこで我々は,器用な手を用いたスローング・キャッチタスクのための学習ベースのフレームワークを提案する。 提案手法は45シナリオで73%の成功率を達成する(さまざまなポーズやオブジェクト)。 物体が横向きに向き合うタスクでは、手のひらからの支持が欠如しているため非常に不安定なシナリオであり、我々の手法は依然として60%以上の成功率を達成している。
  論文  参考訳（メタデータ） (2023-10-13T01:36:46Z)
• DexTransfer: Real World Multi-fingered Dexterous Grasping with Minimal Human Demonstrations [51.87067543670535]
  本研究では,少数の人間によるデモンストレーションを行い,見えない物体のポーズを学習するロボット学習システムを提案する。 我々は,物体の点群を入力として捉え,物体を異なる初期ロボット状態から把握するための連続的な動作を予測する,厳密な把握ポリシーを訓練する。 我々のデータセットから学んだポリシーは、シミュレーションと現実世界の両方で見えないオブジェクトのポーズをうまく一般化することができる。
  論文  参考訳（メタデータ） (2022-09-28T17:51:49Z)
• Reactive Human-to-Robot Handovers of Arbitrary Objects [57.845894608577495]
  本稿では、未知の物体の人間とロボットのハンドオーバを可能にするビジョンベースシステムを提案する。 提案手法は,クローズドループ運動計画とリアルタイムかつ時間的に一貫性のあるグリップ生成を組み合わせたものである。 提案手法の汎用性,ユーザビリティ,ロバスト性を,26種類の家庭用オブジェクトからなる新しいベンチマークで実証した。
  論文  参考訳（メタデータ） (2020-11-17T21:52:22Z)
• 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。