マニピュレーション2026/10/14arXiv:2610.19518

HiFun: 機能的巧みな操作学習のための階層的フレームワーク

HiFun: a Hierarchical Framework for Efficient Functional Dexterous Manipulation Learning

腕と多指ハンドの制御を階層化し、実世界強化学習で精密接触を要する巧みな操作を1時間以内に高成功率で学習する手法を提案。

詳しい要約

1. どんなもの？

本論文は、多指dexterous robot handによるfunctional manipulationを実世界で効率的に学習する階層型RLフレームワークHiFunを提案する。 - 対象: 精密接触・arm-hand協調・実行誤差からのreactive recoveryが必要な機能的操作 - 構成: functional hand skillとarm-hand coordination policyに制御を分離 - 実機6タスク・2種のdexterous handで検証 - 1時間のonline trainingで平均98.3%成功、動的disturbanceに頑健と報告

2. 先行研究と比べてどこがすごい？

従来は精密接触のcontact dynamicsをsimulationで正確にモデル化するのが難しく、実世界学習が動機となる。 - しかしfull arm-hand control spaceでの実世界demonstrationは高コスト・noisy - 各trajectoryでarm motionとhigh-DoF multi-finger contactを協調させる必要 - 小さな実行偏差でslipやpremature force applicationが生じ、off-nominal contactからのrecoveryが重要 - HiFunは制御複雑性を分離し、real-time human interventionとDMP augmentationを可能にした点が先行研究と異なる

3. 技術・手法の肝は？

鍵は制御複雑性のdecouple。 - functional hand skill: 精密接触実行を担当 - arm-hand coordination policy: arm制御とhand-skill activationを担当 - この設計によりreal-time human interventionが可能となり、reactive recovery learningを実現 - Dynamic Movement Primitive (DMP) augmentationで効率的なdata collectionを実現 - 実世界RLフレームワークとして階層的に構成

4. どうやって有効だと検証した？

2種のdexterous handを用いた実世界6タスクで評価。 - 1時間のonline trainingで平均98.3%のsuccessを達成 - 動的disturbanceに対するrobustnessも確認 - 詳細な比較条件やbaselineは要旨からは不明 - project page (https://hly-123.github.io/HiFun/) で追加情報を提供

5. 議論はある？

要旨からは不明。 - 限界や失敗事例、human interventionの負荷、DMP augmentationの詳細な効果、sim-to-real gapへの言及は要旨に無い - 議論の有無や内容は要旨からは不明

6. 次に読むべき論文は？

要旨で参照/比較されている研究は明示されていない。 - 関連手法としてreal-world RL、hierarchical RL、Dynamic Movement Primitive (DMP)、dexterous manipulation、functional manipulation、human intervention learningが挙げられる - 同分野の定番としてdexterous manipulationのRL研究やDMPを用いた模倣学習を次に読むべき候補として一般名で挙げる

※ 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: Linyi Huang, Guowei Huai, Weibin Liu, Shulong Jiang, Ping Tan, Weixuan Zhang, Hui Zhang, Jie Song

分類: cs.RO

原文アブストラクト

While multi-fingered dexterous robot hands have the potential to provide human-level dexterity, using them for functional manipulation remains difficult because task success depends on precise contact, coordinated arm-hand motion, and reactive recovery from execution errors. Precise contact depends on complex contact dynamics that are difficult to model accurately in simulation, motivating real-world learning. However, real-world demonstrations in the full arm-hand control space are costly and noisy because each trajectory must coordinate arm motion with high-DoF multi-finger contact. Small execution deviations can further cause slipped contact or premature force application, making recovery from off-nominal contact states important for robust execution. To deal with these challenges, we propose HiFun, a hierarchical real-world RL framework for functional dexterous manipulation tasks. Our key insight is to decouple the control complexity into a functional hand skill for precise contact execution and an arm-hand coordination policy for arm control and hand-skill activation. This design enables effective real-time human intervention for reactive recovery learning and efficient data collection with Dynamic Movement Primitive (DMP) augmentation. Across six real-world tasks on two dexterous hands, HiFun achieves 98.3% average success within one hour of online training and remains robust to dynamic disturbances. The project page is available at https://hly-123.github.io/HiFun/.

arXivで原文を読む →arXiv概要ページ

HiFun: 機能的巧みな操作学習のための階層的フレームワーク

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell