日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2608.00554

DexMani: 人間由来の操作性ガイダンスによる器用な回転操作

DexMani: Human-Derived Manipulability Guidance for Dexterous Rotation

シェア:XThreadsFacebookLINEはてブBluesky

人間のデモから接触条件付きの操作性進化を学習し、それを強化学習のガイドとして用いることで、異なるロボットハンドでの物体回転スキル獲得を可能にするフレームワークを提案した。

詳しい要約

1. どんなもの?

DexManiは、器用な物体回転タスクを対象としたフレームワークである。物体回転は逐次的な接触問題であり、各支持・解放・再接触の決定が、所望の物体運動を生み出すと同時に、その後の回転を持続するための手の形状を準備する必要がある。DexManiは、人間のデモンストレーションを接触条件付きの可操作度進化(contact-conditioned manipulability evolution)として転送し、この先行知識を学習して下流の強化学習(RL)を導くことで、異なる運動学や能動的接触構成を持つロボットハンド間で回転スキルの獲得を可能にする。

2. 先行研究と比べてどこがすごい?

既存の強化学習手法は、特定のロボットハンドの実施形態上での試行錯誤によって運動パターンを発見するが、各接触遷移がその後のステップでの物体回転を持続する能力にどのように影響するかを明示的に考慮していない。DexManiは、人間のデモンストレーションから接触遷移が手に利用可能な回転方向をどのように再形成するかを捉えた先行知識を導入し、この点で先行研究と異なる。さらに、DexManiは異なる運動学や能動的接触構成を持つロボットハンド(Shadow Hand, Allegro Hand, XHand, LEAP Hand)に適用可能であり、特定の実施形態に依存しない点が優れている。

3. 技術・手法の肝は?

DexManiの手法の肝は、人間のデモンストレーションを接触条件付きの可操作度進化として転送することである。この先行知識は、成功した人間の接触遷移が手に利用可能な物体回転方向をどのように再形成するかを捉える。DexManiはこの可操作度進化を学習し、それを下流の強化学習のガイドとして使用する。これにより、異なる運動学や能動的接触構成を持つロボットハンド上で回転スキルを獲得できる。具体的な学習アルゴリズムやネットワーク構造は要旨からは不明である。

4. どうやって有効だと検証した?

DexManiは、Shadow Hand, Allegro Hand, XHand, LEAP Handの4つのロボットハンドで評価された。すべての評価設定(既知および未知の物体)において、Shadow Hand, Allegro Hand, XHandで最高の成功率を達成した。LEAP Handでは平均成功率57.5%を達成し、他のベースラインを上回り、より滑らかな回転運動を生成した。

5. 議論はある?

要旨からは、DexManiの限界や議論についての詳細は不明である。ただし、成功率が57.5%に留まることから、未解決の課題が残る可能性が示唆される。また、人間のデモンストレーションの質や多様性が性能に影響する可能性があるが、要旨では言及されていない。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、強化学習による器用操作や模倣学習、可操作度解析に関する論文が関連する。具体的には、物体回転タスクにおける強化学習のベースラインや、人間のデモンストレーションを利用した模倣学習、ロボットハンドの可操作度を考慮した制御手法などが挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xiaoyang Chen, Shengcheng Luo, Haoran Guo, Jiaming Jiang, Wanlin Li, Ziyuan Jiao, Chenxi Xiao

分類: cs.RO, cs.AI, cs.CV

原文アブストラクト

Dexterous object rotation is a sequential contact problem: each support, release, and re-contact decision must both produce the desired object motion, and prepare the hand configuration for continued rotation. Existing reinforcement learning methods discover such movement patterns through trial and error on specific robotic hand embodiments, without explicitly accounting for how each contact transition affects the hand's ability to sustain object rotation in subsequent steps. We introduce DexMani, a framework that transfers human demonstrations as contact-conditioned manipulability evolution. This prior captures how successful human contact transitions reshape the object-rotation directions available to the hand. DexMani then learns this manipulability evolution and uses it to guide downstream reinforcement learning, enabling rotation skills to be acquired across robot embodiments with distinct kinematics and active-contact configurations. Across the Shadow Hand, Allegro Hand, and XHand, DexMani achieves the highest success rates in every evaluated setting for both seen and unseen objects. DexMani reaches an average success rate of 57.5% on LEAP Hand, outperforming other baselines and producing smoother rotatory motions. Project site: https://dexmani.github.io

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI