AcrossDEX 1.0、異なるロボットハンドで両手操作を学習する手法を発表

何が起きたか

arXiv掲載論文「AcrossDEX 1.0」は2026年10月29日、人の動作による事前学習からシミュレーション上の専門家学習、ロボットのデモ収集、視覚による閉ループ実行までをつなぐ両手操作システムを提示した。対象とするのは、6チャンネルのInspireハンドと16関節のAllegroハンドである。論文抄録によると、直接回帰では、ふたの開閉と元に戻す課題で成功率40.6%、物体の向きを変える課題でInspireが100.0%、Allegroが93.3%だった。

詳細

事前学習ではHOT3D Ariaを用い、直前1秒間の30個の注釈付き手状態と5枚の画像から、両手の1秒先の動きを予測する。ロボットへの適応では視覚エンコーダー、時間方向のバックボーン、手首パラメーターを保持し、手首表現を共有しながら、指のフィールドを分け、有効性マスクを使う。方策は正面画像、コマンド履歴、タスク条件から60個の制御目標を予測し、計画の一部を実行した後、更新された観測に基づいて再計画する。 論文抄録では、フローマッチングによるAllegroの物体の向き変更の成功率は90.0%と報告された。また、生成型方策の再計画を前の計画で制約すると、連続実行が改善したとしている。

Key Facts

本紙の見方

この研究の新しさは、人の動作をロボットの命令に置き換える部分だけでなく、事前学習、シミュレーションでの学習、ロボットデモ、視覚に基づく実行を一つの適応パイプラインとして扱った点にある。特に、InspireとAllegroで手首表現を共有しながら指のフィールドを分ける設計は、両手の動作に共通する部分と、ハンド固有の運動学を分けて扱う構成と読める。ただし、抄録が示す対応先はこの2種類であり、より多くのハンドへの一般化を実証したとは言えない。 結果は、単一の成功率で手法全体を評価できないことも示している。直接回帰は、ふたの開閉と元に戻す課題で40.6%にとどまる一方、物体の向き変更ではInspireが100.0%、Allegroが93.3%だった。フローマッチングのAllegroは同じ向き変更課題で90.0%であり、少なくともこの抄録の数字だけから、生成手法が直接回帰を上回るとは整理できない。課題、ハンド、手法の組み合わせごとに性能を読む必要がある。 実行方式では、60個の制御目標を一度に予測して終えるのではなく、その一部を実行して観測を更新し、再計画する。前の計画による制約が生成型方策の連続実行を改善したという報告は、動作の生成精度とは別に、計画のつなぎ目をどう保つかが両手操作の評価軸になることを示す。これは、手首と指の協調に加え、連続する制御区間の整合性を学習・実行系の設計に含めた点で重要である。 一方、抄録からは、学習データの規模、成功率の試行数やばらつき、実験環境の詳細、未学習の物体やタスクでの性能は確認できない。したがって、ここでの数値を実運用の信頼性や幅広い作業への適用可能性に直結させることはできない。次に確認すべきなのは、各成功率の評価条件と再現性、異なるハンドやタスクへの適応範囲、再計画の制約がどの条件で有効だったかである。

なぜ重要か

AcrossDEX 1.0は、HOT3D Ariaによる人の動作の事前学習を、InspireとAllegroそれぞれの指制御に適応させ、観測を更新しながら実行する構成を示した。報告された成功率は課題とハンドで異なるため、両手操作の評価では、学習方式だけでなく対象作業とハンド構成を併記する必要がある。