DexPort、器用なロボットハンドの実演データを収集する携帯型インターフェースを発表

何が起きたか

2026年10月23日掲載の論文で、DexPortは器用なロボットハンドのデータ収集向け携帯型インターフェースとして紹介された。実機を使った4種類のタスクで2500件超の実演を集め、記録したロボット指令を状態量の代わりに用いた場合、評価値が11%から64%に改善したと報告している。実環境で集めたデータを使った場合のタスク成功率は、36%から78%に上がったという。

詳細

DexPortでは、操作者が手持ちの装置を動かしてロボットの手首の動きを指定し、指の動きをまとめて調整するスキルを選択・調整する。収集時と実行時に同じハンドハードウェアを使い、指令した関節目標値と実測した関節状態の両方を記録する。論文は、ロボットアームのない環境や、実験室外の環境でも実演を収集したとしている。 評価対象は、多様な物体のピック・アンド・プレース、手の中で工具を扱うねじ締め、物をつかみながら引く引き出しへの収納、両手でのスキャンの4タスクだ。記録した手首の動きとハンド指令を使い、スキルのラベルなしで行動クローニングにより視覚運動ポリシーを学習した。

Key Facts

本紙の見方

DexPortの要点は、器用なハンドの操作を指ごとに直接入力する方式から、手首の動きと指のスキル選択を組み合わせるデータ収集方式へ移したことにある。論文は、操作者が多数の指関節を個別に調整する負担と、一般的な人間の動作をロボット動作へ変換する際のずれを課題として挙げる。収集と実行に同じハンドを用いる設計は、少なくともハンドの形態差による変換を避け、指令値と実測状態を対にして記録する点で、学習データをロボットの操作に直接結び付ける構成だ。 重要なのは、データ収集の場所と記録内容を別々の要素として扱っていない点である。アームを備えたロボット一式がない場所でも手首や指の動作を記録できるとし、実環境データでタスク成功率が36%から78%になった結果を示した。また、ロボット指令を使う条件では評価値が11%から64%に改善したと報告する。ただし、論文の要約はこの11%と64%が何の評価指標かを特定していないため、タスク成功率など別の指標と同一視できない。二つの結果は、データの収集環境だけでなく、学習時に何を教師信号として記録するかも性能評価の論点になることを示している。 構造面では、手持ち装置による手首操作、指の協調を担うスキル、記録データ、行動クローニングという流れを一つの収集・学習系として設計している。スキルのラベルなしで学習した点は、データにスキル分類を付ける作業を前提としない。ただし、論文が述べる「少数のスキルで幅広いタスクを支えられる」という観察が、異なるハンドや未知の作業にもどこまで当てはまるかは、この要約だけでは分からない。 今後確認すべきなのは、各タスク別の成功率や試行数、評価条件、収集データの再利用性、異なるハンドへの適用結果である。2500件超という総数だけではタスクや環境ごとのデータ配分は分からず、実環境での改善がどの条件に依存するかも切り分けられない。装置の仕様や収集手順の再現性も、実運用に向けた評価に必要となる。

なぜ重要か

DexPortの論文は、ロボットアーム一式を使わない環境でもハンドの実演を収集し、指令値を含むデータで学習する構成を示した。実環境データでタスク成功率が36%から78%になったとの報告は、実演データの収集場所と記録方式を評価する際の具体的な比較材料となる。