論文の概要: Catch It All!: Generalizable Dynamic Catching with a Dexterous Hand

• arxiv url: http://arxiv.org/abs/2610.39044v1
• Date: Wed, 28 Oct 2026 23:17:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:01:24.992698
• Title: Catch It All!: Generalizable Dynamic Catching with a Dexterous Hand
• Title（参考訳）: Catch It All!:Dexterous Handで使えるダイナミックキャッチ
• Abstract要約: 本稿では,下手・上手キャッチのための物理特性の変化する物体を一般化し,適応するヒューマノイドロボットのためのフレームワークを提案する。 我々は、幾何学、変形性、弾力性、物理的性質の異なる、目に見えない物体に一般化するポリシーを学ぶ。 ハードウェアの限界付近で安全かつ高周波な動作実行を可能にする安全対応のカリキュラムを提供する。
• 参考スコア（独自算出の注目度）: 5.344665790287407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Catching arbitrary objects requires generalization to novel projectiles and real-time adaptation to unpredictable contact dynamics under noisy visual observations. This paper presents Catch It All!, a sim-to-real catching framework for humanoid robots that generalizes and adapts to unseen objects with variable physical properties for underhand and overhand catches, using only one egocentric camera. We learn policies which generalize to unseen objects with varying geometry, deformability, elasticity, and physical properties. Effective grasps which adapt real-time to object poses and shapes are learned through careful grasp reward design. We provide safety-aware curricula which enable safe, high-frequency action execution near hardware limits, including wrist torque limits as low as 5 Nm. We validate our system by deploying zero-shot on a Unitree G1. With only one egocentric camera, Catch It All! successfully performs underhand and overhand catches on 9 unseen objects not seen during training, including low-rebound plushes, semi-deformable toys and chip bags, and rigid-elastic objects with high rebound on contact.
• Abstract（参考訳）: 任意の物体をキャッチするには、新しい投射体への一般化と、ノイズの多い視覚観察の下で予測不可能な接触ダイナミクスへのリアルタイム適応が必要である。 本稿では,人間型ロボットのためのシミュレート・トゥ・リアル・キャッチ・フレームワークであるCatch It All!について述べる。 我々は、幾何学、変形性、弾力性、物理的性質の異なる、目に見えない物体に一般化するポリシーを学ぶ。 物体のポーズや形状にリアルタイムで適応する効果的な把握は、慎重に把握する報酬設計によって学習される。 5Nm以下の手首トルク制限を含む、ハードウェアの限界付近で安全かつ高周波な動作実行を可能にする安全対応カリキュラムを提供する。 我々はUnitree G1上でゼロショットをデプロイすることでシステムを検証する。 Catch It All!は1つの自我中心のカメラで、トレーニング中に見えない9つの未確認物体に対して、低リバウンドのぬいぐるみ、半変形可能なおもちゃとチップバッグ、高リバウンドの堅い弾性物体など、アンダーハンドとオーバーハンドのキャッチを成功させる。

関連論文リスト

• Pushing Dexterity and Safety for In-Hand Object Pose Reaching That Works Remarkably Well [1.577107031534478]
  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。
  論文  参考訳（メタデータ） (2026-10-27T17:58:20Z)
• 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)
• GIRAF: Towards Generalizable Human Interactions with Articulated Objects [50.52795413484619]
  そこで本論文では,テキスト条件付き拡散モデルについて述べる。 提案手法は、現在最先端の手法を超越して、未確認のオブジェクト構成に強い一般化を示した。
  論文  参考訳（メタデータ） (2026-07-08T19:30:44Z)
• SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
  Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。 これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。 そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
  論文  参考訳（メタデータ） (2026-04-01T17:11:52Z)
• ArtReg: Visuo-Tactile based Pose Tracking and Manipulation of Unseen Articulated Objects [2.9793019246605676]
  視認できない物体の視触覚に基づく追跡のための新しい手法を提案する。 提案手法は,無意味なカルマンフィルタの定式化において,ビジュオ触点雲を統合する。 我々は,実際のロボット実験を通じて,様々な種類の未知物体に対するアプローチを広く評価してきた。
  論文  参考訳（メタデータ） (2025-11-09T13:30:51Z)
• Anthropomorphic Grasping with Neural Object Shape Completion [20.952799332420195]
  人間は、オブジェクトを扱うときに異常な器用さを示します。 手の姿勢は、把握すべき対象に対する特定の領域の影響を一般的に示している。 本研究では、部分的な観察から全幾何学を再構築し、完成させることにより、人間のような物体の理解を活用する。
  論文  参考訳（メタデータ） (2023-11-04T21:05:26Z)
• PoseIt: A Visual-Tactile Dataset of Holding Poses for Grasp Stability Analysis [7.644487678804541]
  対象物を把握する全サイクルから収集した視覚的・触覚的データを含む,新しいデータセットPoseItを提案する。 PoseItのデータを用いて、特定の保持されたポーズにおいて、把握されたオブジェクトが安定しているかどうかを予測するタスクを定式化し、対処することができる。 実験の結果,PoseItでトレーニングしたマルチモーダルモデルは,視覚や触覚のみを用いた場合よりも精度が高いことがわかった。
  論文  参考訳（メタデータ） (2022-09-12T04:49:41Z)
• SAGA: Stochastic Whole-Body Grasping with Contact [60.43627793243098]
  人間の握り合成には、AR/VR、ビデオゲーム、ロボット工学など多くの応用がある。 本研究の目的は,体全体をつかむ動作を合成することである。3次元物体が与えられたら,物体に接近してつかむような,多様で自然な人体の動きを生成することを目的としている。
  論文  参考訳（メタデータ） (2021-12-19T10:15:30Z)
• 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)
• Physics-Based Dexterous Manipulations with Estimated Hand Poses and Residual Reinforcement Learning [52.37106940303246]
  ノイズの多い入力ポーズをターゲットの仮想ポーズにマッピングするモデルを学習する。 モデルフリーハイブリッドRL+ILアプローチを用いて残留条件下で訓練する。 筆者らは,VRにおける手動物体の相互作用と,それを用いた手動物体の動作再構成という,手動姿勢推定を用いた2つのアプリケーションで,我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2020-08-07T17:34:28Z)

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。