Newest papers

PiHand: Latent Hand-Object Interaction Priors for Physics-Based Policy Learning

Niklas Berndt, Xianghui Xie, Enes Duran, Yixiao Wang, Gerard Pons-Moll · 2026 · arXiv

DOI: 10.48550/arXiv.2610.31299 · open-access PDF

French

Synthétiser des interactions mains-objets habiles physiquement fondées est important pour VR/AR, les jeux et la robotique, mais reste un défi parce que la dynamique de contact subtile, les géométries d'objets diverses et les trajectoires cibles doivent être respectées conjointement tout en maintenant des trajectoires naturelles.Les méthodes existantes suivent soit les trajectoires de mocap avec un transfert limité aux nouveaux objets, soit s'appuient sur des prériors génératifs uniquement à la main qui ne capturent pas le mouvement de la main-objet couplé, sacrifiant ainsi la fidélité du contact et l'efficacité de l'échantillon.

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

Abstract

Synthesizing physically grounded dexterous hand-object interactions is important for VR/AR, gaming, and robotics, yet remains challenging because subtle contact dynamics, diverse object geometries, and target trajectories must be jointly respected while maintaining natural grasps. Existing methods either track mocap trajectories with limited transfer to novel objects, or rely on hand-only generative priors that fail to capture coupled hand-object motion, sacrificing contact fidelity and sample efficiency. To tackle these challenges, we introduce PiHand, a Physically grounded Interaction-aware

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

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