論文の概要: DexArena: A Unified Benchmark for Long-Horizon Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2611.02629v2
• Date: Tue, 03 Nov 2026 07:18:38 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:57:54.271179
• Title: DexArena: A Unified Benchmark for Long-Horizon Dexterous Manipulation
• Title（参考訳）: DexArena: 長距離デキスタラスマニピュレーションのための統一ベンチマーク
• Abstract要約: DexArenaは、長い水平二次元デキスタラス操作における学習と一般化を評価するために設計されたベンチマークである。 10のロングホライゾンタスクと30のステージレベルのタスクがあり、様々な家庭や工業のシナリオにまたがっている。 統一されたベンチマークインターフェースと検証された人間操作のデモにより、異なるポリシー学習アルゴリズムをテストすることができる。
• 参考スコア（独自算出の注目度）: 11.208732848412113
• License:
• Abstract: Long-horizon dexterous manipulation remains a fundamental challenge for robot learning, requiring the composition of multiple skills, precise bimanual coordination, generalizable visual understanding, and robust skill transitions. Yet existing manipulation benchmarks largely emphasize isolated skills or support only a limited range of end-effectors, making these capabilities difficult to evaluate systematically. We introduce DexArena, a benchmark designed to evaluate learning and generalization in long-horizon bimanual dexterous manipulation. DexArena features 10 long-horizon tasks and 30 stage-level tasks spanning diverse household and industrial scenarios. Each long-horizon task is composed of explicitly defined stages with physically grounded success conditions, enabling reliable evaluation of both intermediate progress and end-to-end task completion. A unified benchmark interface and verified human-teleoperated demonstrations enable testing different policy learning algorithms, with standardized simulation configurations, scene randomization, trajectory replay, and task-level evaluation. Through extensive baseline experiments, we identify substantial challenges in precise manipulation, generalization to scene variation, and skill composition. DexArena establishes a challenging and reproducible benchmark for developing robot learning methods that move toward generalizable long-horizon dexterous behavior.
• Abstract（参考訳）: 複数のスキル、正確な双方向調整、一般化可能な視覚的理解、堅牢なスキル遷移を必要とする。 しかし、既存の操作ベンチマークでは、分離されたスキルを強調したり、限られた範囲のエンドエフェクタしかサポートしていないため、これらの機能を体系的に評価することは困難である。 DexArena(英語版)は、長い水平二次元デキスタラス操作における学習と一般化を評価するために設計されたベンチマークである。 DexArenaには10の長距離タスクと30のステージレベルのタスクがあり、家庭や工業のさまざまなシナリオにまたがっている。 それぞれの長期タスクは、物理的に基礎付けられた成功条件を持つ明確に定義された段階で構成され、中間的な進行とエンドツーエンドのタスク完了の両方の信頼性評価を可能にする。 統一されたベンチマークインターフェースと人間操作による実証により、標準化されたシミュレーション構成、シーンランダム化、軌跡再生、タスクレベルの評価など、さまざまなポリシ学習アルゴリズムのテストが可能になる。 大規模なベースライン実験を通じて、精密な操作、シーンのバリエーションへの一般化、スキル構成における重要な課題を特定する。 DexArenaは、汎用可能な長距離デキスタラスな行動に向かうロボット学習手法を開発するための、挑戦的で再現可能なベンチマークを確立している。

関連論文リスト

• RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments [91.39996227368]
  汎用エージェントはますます、コードを書き、ツールを使い、複雑なデジタルタスクを完遂し、これらの能力が物理的な世界にどこまで浸透するかという疑問を提起している。 ロボットのインタフェースを通じて、指示や観察を物理的タスクの実行に変換するという、ロボット利用のための挑戦的なシミュレーションテストベッドであるRobotWorldを紹介した。 タスク結果と実行トレースを分析して、転送する機能と、信頼性の高い完了を防ぐギャップの両方を識別する。
  論文  参考訳（メタデータ） (2026-10-07T16:55:24Z)
• Behavior-Skill: A Fine-Grained Benchmark for Evaluating Vision-Language-Action Policies in Long-Horizon Tasks [39.959375504916494]
  本稿では,長期タスクの学習と評価を改定するベンチマークであるBehavior-Skillを提案する。 50世帯のタスクにまたがる1万件のデモから、34のセマンティックスキルカテゴリから235,492のスキルインスタンスが含まれている。 本研究では,長期VLAポリシーの分析と改善のための中間機能プロファイルを公開することで,行動スキルがフルタスク評価を補完することを示す。
  論文  参考訳（メタデータ） (2026-08-31T10:03:48Z)
• DexVerse: A Modular Benchmark for Multi-Task, Multi-Embodiment Dexterous Manipulation [66.68529423691461]
  DexVerseは、デクスタラスな操作のための大規模かつモジュール化されたベンチマークである。 我々は、19のタスクに対して拡散ポリシー、DP3、OpenVLA、および$_0.5$などの代表的手法をベンチマークする。 その結果、タスクの一般化と視覚運動の堅牢性において大きな課題が浮かび上がっている。
  論文  参考訳（メタデータ） (2026-07-09T17:50:47Z)
• DexJoCo: A Benchmark and Toolkit for Task-Oriented Dexterous Manipulation on MuJoCo [82.73355932907565]
  DexJoCoはタスク指向のデクサラス操作のためのベンチマークとツールキットである。 本研究は,ツール使用,双方向調整,長期実行,推論などを評価する機能的なタスクを11個提示する。 我々は、視覚的・動的ランダム化、マルチタスクトレーニング、アクションヘッド適応など、多様な設定で最新のモデルをベンチマークする。
  論文  参考訳（メタデータ） (2026-05-15T17:59:51Z)
• LodeStar: Long-horizon Dexterity via Synthetic Data Augmentation from Human Demonstrations [20.300415135664718]
  ロングホライゾン操作タスクは、物理的なデキスタリティと操作スキルのシームレスなシークエンシングの両方を必要とする。 本稿では,タスクのデモンストレーションを意味的に意味のあるスキルに自動的に分解する学習フレームワークとシステムLodeStarを提案する。 提案手法は,従来のベースラインに比べてタスク性能とロバスト性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-08-24T22:57:16Z)
• RoboEval: Where Robotic Manipulation Meets Structured and Scalable Evaluation [32.080769025457926]
  本稿では,現在の双方向操作ポリシーの限界を明らかにするために,シミュレーションベンチマークと構造化評価フレームワークであるRoboEvalを提案する。 RoboEvalは、空間、物理的、コーディネート機能に体系的に挑戦する、階層化されたセマンティックな基礎付けられた一連のタスクを導入した。 行動メトリクスは、タスクメトリックペアの半数以上の成功と相関し、バイナリ成功が飽和しても情報的であり続ける。
  論文  参考訳（メタデータ） (2025-07-01T05:33:16Z)
• SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending [79.83865372778273]
  SkillBlenderは、多目的なヒューマノイドロコ操作のための新しい階層的強化学習フレームワークである。 SkillBlenderは、まずゴール条件付きタスク非依存のプリミティブスキルを事前訓練し、その後、これらのスキルを動的にブレンドして複雑なロコ操作タスクを達成する。 また,3つのエボディメント,4つのプリミティブスキル,8つの難解なロコ操作タスクを含む並列的,クロスエボディメント,多種多様なシミュレーションベンチマークであるSkillBenchを紹介した。
  論文  参考訳（メタデータ） (2025-06-11T03:24:26Z)
• Single-Shot Learning of Stable Dynamical Systems for Long-Horizon Manipulation Tasks [48.54757719504994]
  本稿では,必要なトレーニングデータ量を削減しつつ,タスク成功率の向上に焦点をあてる。 提案手法では,長距離実証をウェイポイントとサブゴールで定義された離散ステップに分割する手法を提案する。 シミュレーションと実世界の両方の実験を通して,本手法を検証し,シミュレーションから物理ロボットプラットフォームへの効果的移行を実証した。
  論文  参考訳（メタデータ） (2024-10-01T19:49:56Z)

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。