DexCanvas：弥合人类演示与机器人学习的灵巧操作鸿沟
DexCanvas: Bridging Human Demonstrations and Robot Learning for Dexterous Manipulation
AI总结：
DexCanvas是一个包含7000小时混合真实-合成数据的大规模灵巧操作数据集，基于Cutkosky分类法覆盖21种操作类型，结合真实到模拟流程和强化学习，实现物理验证的接触力发现，促进机器人操作学习与技能迁移。
摘要：
我们提出了DexCanvas，一个大规模混合真实-合成人类操作数据集，包含7,000小时的灵巧手-物体交互，这些交互源自70小时的真实人类演示，并根据Cutkosky分类法组织为21种基本操作类型。每个条目结合了同步的多视角RGB-D、带有MANO手部参数的高精度动作捕捉，以及每帧接触点和物理一致的力分布。我们的真实到模拟流程使用强化学习来训练策略，在物理仿真中控制一个可驱动的MANO手，重现人类演示，同时发现产生观察到的物体运动背后的接触力。DexCanvas是第一个结合大规模真实演示、基于既定分类法的系统性技能覆盖以及物理验证的接触标注的操作数据集。该数据集可以促进机器人操作学习、接触丰富的控制以及跨不同手部形态的技能迁移研究。
英文摘要：
We present DexCanvas, a large-scale hybrid real-synthetic human manipulation dataset containing 7,000 hours of dexterous hand-object interactions seeded from 70 hours of real human demonstrations, organized across 21 fundamental manipulation types based on the Cutkosky taxonomy. Each entry combines synchronized multi-view RGB-D, high-precision mocap with MANO hand parameters, and per-frame contact points with physically consistent force profiles. Our real-to-sim pipeline uses reinforcement learning to train policies that control an actuated MANO hand in physics simulation, reproducing human demonstrations while discovering the underlying contact forces that generate the observed object motion. DexCanvas is the first manipulation dataset to combine large-scale real demonstrations, systematic skill coverage based on established taxonomies, and physics-validated contact annotations. The dataset can facilitate research in robotic manipulation learning, contact-rich control, and skill transfer across different hand morphologies.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
