論文の概要: DexHOT: Learning Hand-Object Configuration Transfer for Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2611.05119v1
• Date: Tue, 03 Nov 2026 16:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:16:10.766615
• Title: DexHOT: Learning Hand-Object Configuration Transfer for Dexterous Manipulation
• Title（参考訳）: DexHOT: Dexterous Manipulationのための手動形状変換学習
• Abstract要約: 本稿では,手動オブジェクト構成転送としてデキスタラス操作を定式化するDexHOTを紹介する。 120個のオブジェクトを持つDexHOTBenchでは、単一のポリシーは、見えないオブジェクトで80.5%、見えないオブジェクトで69.4%の転送成功を達成する。 これらの結果から,明示的な手対象目標が,器用な操作のための表現的かつ構成可能なインターフェースを提供することが示された。
• 参考スコア（独自算出の注目度）: 22.461919216999746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dexterous manipulation involves not only moving objects, but also arranging the hand around them to maintain useful contacts and enable subsequent actions. Yet many learning-based systems specify goals primarily through object poses or trajectories, leaving hand-object configurations to emerge implicitly. We introduce DexHOT, which formulates dexterous manipulation as hand-object configuration transfer: moving between feasible configurations that jointly specify hand articulation and object pose relative to the wrist. DexHOT learns a reusable relation-conditioned transfer primitive from synthetic feasible configuration pairs, without human reference motions, and composes long-horizon behaviors through closed-loop tracking of configuration subgoals. On DexHOTBench with 120 objects, a single policy achieves 80.5% transfer success on seen objects and 69.4% on unseen objects; on a real dexterous hand, it achieves 61.5% success over 200 real-robot transfers and 90% task success across six demonstration-guided tasks. These results show that explicit hand-object goals provide an expressive and composable interface for dexterous manipulation. More details and videos are available at https://dex-hot.github.io/.
• Abstract（参考訳）: 有害な操作は、物体を移動させるだけでなく、それらの周りに手を配置して有用な接触を維持し、その後の動作を可能にする。 しかし、多くの学習ベースのシステムは、主にオブジェクトのポーズや軌跡を通して目標を指定し、手動の設定は暗黙的に現れる。 DexHOTを導入し,手首に対して手指の関節と物体のポーズを協調的に指定する実現可能な構成間を移動させることにより,手指の操作を手指操作の移動として定式化する。 DexHOTは、人間の参照動作なしで合成可能な構成ペアから再利用可能な関係条件転送プリミティブを学習し、構成サブゴールのクローズドループトラッキングを通じて長い水平動作を構成する。 120個のオブジェクトを持つDexHOTBenchでは、単一のポリシーは、見えないオブジェクトで80.5%、見えないオブジェクトで69.4%の転送成功を達成する。 これらの結果から,明示的な手対象目標が,器用な操作のための表現的かつ構成可能なインターフェースを提供することが示された。 詳細とビデオはhttps://dex-hot.github.io/.com/で公開されている。

関連論文リスト

• DexMani: Human-Derived Manipulability Guidance for Dexterous Rotation [7.918622126766639]
  デックスマニ(DexMani)は、人間の実演を接触条件によるマニピュラビリティの進化として伝達するフレームワークである。 DexManiはLEAP Handで平均57.5%の成功率に達し、他のベースラインを上回っ、より滑らかな回転運動を生み出している。
  論文  参考訳（メタデータ） (2026-08-01T09:17:30Z)
• 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)
• Learning Generalizable Hand-Object Tracking from Synthetic Demonstrations [71.15185260689928]
  本研究では,人間による実演を必要とせず,合成データから汎用的な手動物体追跡制御系を学習するシステムを提案する。 提案手法は,(1)多種多様な対象物軌跡を合成可能なハンドオブジェクトプランナであるHOPと,(2)強化学習と相互作用模倣学習を通じて合成と物理の伝達をブリッジするハンドオブジェクトトラッカーであるHOTの2つの重要な貢献を行う。
  論文  参考訳（メタデータ） (2025-12-22T17:08:54Z)
• Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
  既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。 本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-07T15:57:00Z)
• SIGHT: Synthesizing Image-Text Conditioned and Geometry-Guided 3D Hand-Object Trajectories [124.24041272390954]
  手動物体の相互作用をモデル化することは、ロボットと具体化されたAIシステムを前進させる大きな可能性を秘めている。 SIGHTは、1つの画像から現実的で物理的に妥当な3Dハンドオブジェクトインタラクショントラジェクトリを生成することに焦点を当てた,新しいタスクである。 SIGHT-Fusionは,データベースから最もよく似た3Dオブジェクトメッシュを抽出し,この課題に対処する,新しい拡散型画像文条件付き生成モデルを提案する。
  論文  参考訳（メタデータ） (2025-03-28T20:53:20Z)
• PickScan: Object discovery and reconstruction from handheld interactions [99.99566882133179]
  シーンの3次元表現を再構成する対話誘導型クラス依存型手法を開発した。 我々の主な貢献は、操作対象のインタラクションを検出し、操作対象のマスクを抽出する新しいアプローチである。 相互作用ベースとクラス非依存のベースラインであるCo-Fusionと比較すると、これはシャムファー距離の73%の減少に相当する。
  論文  参考訳（メタデータ） (2024-11-17T23:09:08Z)
• 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)

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。