論文の概要: Learning Object-Centric Motion Priors from Human for Robotic Dexterous Manipulation

• arxiv url: http://arxiv.org/abs/2611.05979v1
• Date: Wed, 04 Nov 2026 05:13:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.950009
• Title: Learning Object-Centric Motion Priors from Human for Robotic Dexterous Manipulation
• Title（参考訳）: ロボットデキステラスマニピュレーションのための人間からの物体中心運動の事前学習
• Abstract要約: 提案手法は,HOIデータセットを利用して,将来的なハンドオブジェクト状態を予測する。 シミュレーションと実世界における3つの操作タスクについて広範な実験を行った。 提案手法は,新規な対象に対して,成功率と一般化可能性の両方で既存のSOTA法より優れる。
• 参考スコア（独自算出の注目度）: 8.08583884561249
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Manipulating diverse objects with multi-fingered dexterous hands is challenging due to the high dimensionality and complex dynamics. Human-Object Interaction (HOI) datasets provide rich knowledge about task information and embodied interactions. Instead of solely imitating the human demonstrations, our method learns to holistically predict future hand-object states by leveraging these datasets. The predicted future states of the object can serve as a general-purpose reward term for reinforcement learning, reducing reliance on task-specific reward engineering and enhancing generalization across tasks. We conduct extensive experiments on three manipulation tasks in simulation and the real world. Our approach outperforms existing SOTA methods in both success rate and generalizability on novel objects. Furthermore, we validate the cross-embodiment compatibility of our methods by successfully deploying the skills on different robot hands.
• Abstract（参考訳）: マルチフィンガーハンドによる多様な物体の操作は、高次元性や複雑な力学のために困難である。 ヒューマンオブジェクトインタラクション(HOI)データセットは、タスク情報や具体的インタラクションに関する豊富な知識を提供する。 人間の実演だけを模倣するのではなく、これらのデータセットを利用することで、将来の手動状態を予測することを学ぶ。 予測される対象の将来の状態は、強化学習のための汎用的な報酬用語として機能し、タスク固有の報酬工学への依存を減らし、タスク間の一般化を促進することができる。 シミュレーションと実世界における3つの操作タスクについて広範な実験を行った。 提案手法は,新規な対象に対して,成功率と一般化可能性の両方で既存のSOTA法より優れる。 さらに,異なるロボットハンドのスキルを効果的に展開することで,本手法のクロス・エボディメント適合性を検証する。

関連論文リスト

• HumanoidMimicGen: Data Generation for Loco-Manipulation via Whole-Body Planning [52.022681285103126]
  我々はHumanoid MimicGenについて述べる。 本手法は,少数の実演から新しい状態へ,接触に富んだ全身スキルを適応させる。 我々は、HumanoidMimicGenが生成したデータと協調してトレーニングされた全身ビズモータポリシーが、実世界のデータでのみトレーニングされたものよりも20%優れていたことを示す。
  論文  参考訳（メタデータ） (2026-05-26T21:57:11Z)
• 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)
• 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)
• MAPLE: Encoding Dexterous Robotic Manipulation Priors Learned From Egocentric Videos [43.836197294180316]
  そこで本研究では,より効率的なポリシー学習を実現するために,よりリッチな操作を生かした創発的ロボット操作手法であるMAPLEを提案する。 具体的には、手動接触時の手動接触点と詳細な手動ポーズを予測し、学習した特徴を用いて下流操作タスクのポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-04-08T14:25:25Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• ObjectVLA: End-to-End Open-World Object Manipulation Without Demonstration [10.558622685760346]
  本稿では,視覚・言語・アクションモデルによるオブジェクトの一般化を実現するための,シンプルで効果的な手法を提案する。 我々の手法は、ターゲットオブジェクトに関する知識を注入する軽量でスケーラブルな方法を提供する。 我々は、実際のロボットプラットフォーム上でObjectVLAを評価し、64%の成功率で100の新規オブジェクトを一般化できることを実証した。
  論文  参考訳（メタデータ） (2025-02-26T15:56:36Z)
• VITAL: Interactive Few-Shot Imitation Learning via Visual Human-in-the-Loop Corrections [10.49712834719005]
  イミテーション・ラーニング(IL)はロボット工学において強力なアプローチとして登場し、ロボットは人間の行動を模倣することで新しいスキルを身につけることができる。 その可能性にもかかわらず、ILのデータ収集プロセスは、ロジスティックな困難と高品質なデモンストレーションの獲得に伴う高コストのため、依然として重要な課題である。 本稿では,シミュレーションにおけるデータ拡張を通じて,少数の実演から大規模データ生成を提案する。
  論文  参考訳（メタデータ） (2024-07-30T23:29:47Z)
• ManiSkill: Learning-from-Demonstrations Benchmark for Generalizable Manipulation Skills [27.214053107733186]
  汎用オブジェクト操作スキルを学習するためのSAPIENマニピュレーションスキルベンチマーク(ManiSkill)を提案する。 ManiSkillは、リッチで多様な調音されたオブジェクトセットを利用することで、オブジェクトレベルのバリエーションをサポートする。 ManiSkillは、ロボットの学習コミュニティに、汎用的なオブジェクト操作スキルの学習を奨励する。
  論文  参考訳（メタデータ） (2021-07-30T08:20:22Z)
• Visual Imitation Made Easy [102.36509665008732]
  本稿では,ロボットへのデータ転送を容易にしながら,データ収集プロセスを単純化する,模倣のための代替インターフェースを提案する。 我々は、データ収集装置やロボットのエンドエフェクターとして、市販のリーチ・グラブラー補助具を使用する。 我々は,非包括的プッシュと包括的積み重ねという2つの課題について実験的に評価した。
  論文  参考訳（メタデータ） (2020-08-11T17:58:50Z)

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。