DexForge: 高忠実度な物理情報に基づく巧みなリターゲティング

- 人間の動画デモをロボットの高忠実度軌道に変換する微分可能な物理ベースのフレームワーク。 - 球面Gaussianによる物体モデルとhand-object運動を視覚から再構成。 - 効率的なGaussian衝突検出と既存の微分可能ダイナミクスを組み合わせた微分可能シミュレータを構築。 - contact-awareなkinematic retargetingとforce-awareなdynamics retargetingを統合。 - 7種のdexterous hands、130のDexYCBとHOT3Dデモで評価。

- 従来のretargetingは物理制約下での高忠実度再現とhand-object相互作用の再現が困難。 - DexForgeは微分可能物理に基づき、kinematicとdynamicsの両retargetingを統合。 - baseline比で成功率が約35-53ポイント向上。 - 成功軌道での物体位置・姿勢追従誤差をそれぞれ約34-67%、71-78%削減。 - open-loopでMuJoCoや実機への転移も示す。

- 視覚観測からspherical-Gaussian物体モデルとhand-object運動を再構成。 - 効率的なGaussian衝突検出と既存の微分可能ダイナミクスを組み合わせた微分可能シミュレータを構築。 - contact-aware kinematic retargetingでロボット適応した安定接触を導出し、kinematic参照を構築。 - force-aware dynamics retargetingで勾配ベースの制御を精緻化し、物理的な運動再現を実現。 - これらを組み合わせて高忠実度のロボット軌道を生成。

- 130のDexYCBとHOT3Dデモ、7種のdexterous handsで実験。 - baseline比で成功率が約35-53ポイント向上。 - 成功軌道での物体位置誤差を約34-67%、姿勢誤差を約71-78%削減。 - open-loopでMuJoCoへの転移と実機実行を実証。 - プロジェクトページで詳細を公開。

- 要旨からは不明。 - 限界や失敗事例、計算コスト、汎化性に関する議論は要旨に記載なし。

- DexYCB - HOT3D - MuJoCo - 微分可能シミュレーション（differentiable simulation） - kinematic retargeting / dynamics retargeting