論文の概要: Kinematic-Tactile Aligned Dexterous Retargeting with Contact Wrench Space Alignment
- arxiv url: http://arxiv.org/abs/2610.39582v1
- Date: Thu, 29 Oct 2026 08:23:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 23:19:07.418272
- Title: Kinematic-Tactile Aligned Dexterous Retargeting with Contact Wrench Space Alignment
- Title（参考訳）: 接触レンチ空間アライメントを用いた運動触覚アライメントデキステラスリターゲティング
- Abstract要約: 運動触覚整列手のための3段階の枠組みを提示する。
このフレームワークはまず手キネマティクスと接触幾何学を整列し、次に触覚力と接触幾何学から人間のレンチ支援プロファイルを構築する。
3つの注水条件におけるシミュレーションおよび実ロボット実験の枠組みを評価する。
- 参考スコア（独自算出の注目度）: 7.445738003124337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human demonstrations provide a natural and scalable source of data for learning dexterous manipulation policies. However, existing retargeting methods primarily transfer human kinematics, while the tactile information underlying physical interaction is rarely preserved across embodiments. To address this limitation, we present a hierarchical three-stage framework for kinematic-tactile aligned dexterous retargeting. We use object-centric contact wrench space as a physical representation for tactile alignment between human and robot hands. The framework first aligns hand kinematics and contact geometry, and then constructs a human wrench support profile from tactile forces and contact geometry. Robot fingertip force targets are subsequently optimized to cover the human wrench support and converted into joint position corrections, yielding directly replayable robot hand trajectories. We evaluate the framework in simulation and real robot experiments across three pouring conditions. In the real robot experiments, our method achieves a 96.7\% replay success rate and higher wrench transfer fidelity than representative retargeting baselines. The framework enables physically grounded transfer of kinematic and tactile information from human demonstrations to robot hands, providing a path toward scalable learning of contact-rich dexterous manipulation.
- Abstract（参考訳）: 人間のデモは、厳密な操作ポリシーを学ぶための、自然でスケーラブルなデータソースを提供する。
しかし、既存のリターゲティング手法は主に人体キネマティクスを伝達するが、物理的相互作用を基盤とした触覚情報は、エンボディメントを通して保存されることは稀である。
この制限に対処するため,キネマティック・触覚アライメント・デキスタラス・リターゲティングのための階層的な3段階フレームワークを提案する。
我々は,人間とロボットの手の触覚アライメントの物理表現として,物体中心の接触レンチ空間を用いる。
このフレームワークはまず手キネマティクスと接触幾何学を整列し、次に触覚力と接触幾何学から人間のレンチ支援プロファイルを構築する。
ロボットの指先力標的はその後、人間のレンチ支持をカバーするように最適化され、関節位置の補正に変換され、直接再生可能なロボットハンドトラジェクトリが得られる。
3つの注水条件におけるシミュレーションおよび実ロボット実験の枠組みを評価する。
実際のロボット実験において,本手法は,代表的リターゲティングベースラインよりも96.7%のリプレイ成功率とレンチ転送忠実度を達成する。
このフレームワークは、人間による実演からロボットハンドへの触覚情報と触覚情報の物理的基盤化を可能にし、接触に富んだ操作をスケーラブルに学習するための道筋を提供する。
関連論文リスト
- TouchBridge: Tactile-Conditioned Human-to-Robot Transfer for Dexterous Manipulation [37.226508795109396]
我々は,人間からロボットへのデータ変換のためのハードウェア設計のフレームワークであるTouchBridgeを紹介する。
本稿では,触覚接触パッチを整列させる触覚条件付手法であるTac-Retargetを紹介する。
論文 参考訳（メタデータ） (2026-10-29T16:06:36Z) - Hand2Robot: Object-Centric 4D Hand Reconstruction from Human Demonstrations for Robotics [31.399712133988814]
我々は,ロボット政策後トレーニングのためのオブジェクト中心の4Dハンド再構築フレームワークであるHand2Robotを紹介した。
Hand2Robotは、対象のタスクを実行する人間のビデオに基づいて、インタラクションクリップを抽出し、オブジェクトの形状を再構築し、ロボットアクションの監視を生成する。
DexYCBとHO3D-v3の実験では、オブジェクトポーズの精度が向上し、オブジェクト間相互作用の品質が向上した。
論文 参考訳（メタデータ） (2026-10-11T16:48:25Z) - Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。
これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。
その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
論文 参考訳（メタデータ） (2026-10-05T11:08:50Z) - DexTaG: Tactile-as-Guidance in Reinforcement Learning for Dexterous Manipulation [37.293559108672454]
グラブベースのモーションキャプチャーは、デクスタラスハンドのデモデータを収集するためのスケーラブルなアプローチとして現れている。
人手とロボット手の間の運動的ギャップのため、記録された人間の動作を直接ロボットに実行することはできない。
触覚誘導型RLフレームワークであるDexTaGを提案する。
論文 参考訳（メタデータ） (2026-09-27T19:56:41Z) - Traceable Human-to-Humanoid Sign Language Benchmarking [87.8147609048596]
ヒューマノイド署名は、ビデオから派生した人間の動きを、言語的な動きの手がかりを保持しながらロボットの軌跡に変換する必要がある。
我々は20,648の文レベルの中国語手話列のデータセットとベンチマークであるHuoidCSL-20Kを紹介する。
論文 参考訳（メタデータ） (2026-09-27T08:24:57Z) - One Demonstration, Many Objects: Generalizing Manipulation via Local Contact Geometry [49.066054862620014]
人間のデモから学ぶことは、ロボット遠隔操作のスケーラブルな代替手段として現れてきた。
最近のsim-to-real RL法はそのような先入観を取り入れているが、しばしば正確な接触を明示的に動機付ける報酬を省略する。
接触点に局所的な形状に着目してオブジェクトを操作できるDemoMimicを提案する。
論文 参考訳（メタデータ） (2026-09-01T23:04:35Z) - 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) - TactiDex: A Real-World Tactile-Guided Benchmark for Human-Like Dexterous Manipulation [30.144946280089727]
現在のヒトからロボットへのデキスタラストランスファーパイプラインはキネマティックな軌道に依存している。
実世界の触覚誘導型ベンチマークであるTactiDexを導入する。
本稿では,新しい三成分触覚報酬に基づいて構築されたフレームワークであるTactiSkillを紹介する。
論文 参考訳（メタデータ） (2026-07-10T08:32:19Z) - Functional Force-Aware Retargeting from Virtual Human Demos to Soft Robot Policies [22.000828900701237]
我々は,ソフトロボットに接触力について明示的に推論することで,人間のような操作スキルを身につけるためのフレームワークであるSoftActを紹介した。
人間の関節軌跡をリターゲットする従来のアプローチとは異なり、SoftActは2段階の力認識アルゴリズムを採用している。
論文 参考訳（メタデータ） (2026-04-01T17:59:35Z) - MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。
現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
論文 参考訳（メタデータ） (2026-02-17T17:09:45Z) - Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。
入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。
実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-09-15T17:05:02Z)
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。