Newest papers

Learning Adaptable Dexterous Skills via Hybrid Dexterous Mimicking

Yuxuan Kuang, Jiashun Wang, Yixuan Sun, Yufei Ye, Sungjae Park, Umar Iqbal, Katerina Fragkiadaki, Shubham Tulsiani · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28628 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Dexterous đa ngón tay có hứa hẹn để mở khóa các kỹ năng đa dạng như nắm bắt chức năng, chuyển hướng ngón tay trong tay, và chuyển giao năng động mà thế giới được thiết kế bởi con người giả định, nhưng các công thức học tập hiện có buộc một sự thỏa hiệp. Học tập tăng cường đạt mục tiêu tổng quát thành các vị trí đối tượng tùy ý nhưng, thiếu bất kỳ dữ liệu trước đó của con người, hội tụ với các chiến lược ngón tay không tự nhiên và không đáng tin cậy; theo dõi chuyển động tái tạo hành vi giống như con người từ một clip duy nhất nhưng không thể lệch khỏi nó. Chúng tôi trình bày AdaDex, một khuôn khổ RL có điều kiện mục tiêu mà biến thành một con đường dẫn của một đối tượng tay duy nhất trong vài giây---từ mocap hoặc HOI dữ liệu trước đó; chuyển động theo dõi từ trong

Machine translation (Meta M2M100); the English original follows.

Abstract

Dexterous multi-finger hands hold promise to unlock diverse skills like functional grasps, in-hand reorientation, and dynamic handover that the human-designed world assumes, yet existing learning recipes force a trade-off. Goal-reaching reinforcement learning generalizes to arbitrary object poses but, lacking any human prior, converges to unnatural and unreliable finger strategies; motion tracking reproduces human-like behavior from a single clip but cannot deviate from it. We present AdaDex, a goal-conditioned RL framework that turns a single hand-object trajectory of a few seconds---from mocap data or HOI reconstruction from in-the-wild RGB(D) video---into an adaptable dexterous skill. At the core of AdaDex is Hybrid Dexterous Mimicking: a shared policy is trained on two populations of massively parallel environments: motion tracking environments trained with dense motion tracking objective, which instill the human prior from human motion; and generalization environments with noised initial states and goals and a sparse object-success reward, which force the skill to work far off the reference. From seconds of human motion per skill, the resulting policies can learn diverse adaptable dexterous skills, such as functional grasping, object reposing, in-hand reorientation with finger gaiting, and dynamic behaviors like throw-and-catch. Our method outperforms baselines in terms of generalization and functionality, and we demonstrate transfer across simulators and to the real world. Project page: https://yuxuank.com/AdaDex/.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Generalization, Computer science, Artificial intelligence, Reinforcement learning, Trajectory, Motion (physics)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange