본 논문은 제한된 사람의 시범으로부터 효율적으로 숙련된 파지 기술을 학습하고 사용자 지시에 따라 적응적으로 적용하는 방법을 다룹니다. AdaDexGrasp라는 프레임워크를 제시하여 기술 당 하나의 사람 시범으로 파지 기술 라이브러리를 학습하고, 비전-언어 모델(VLM)을 사용하여 가장 적합한 기술을 선택합니다. 샘플 효율성을 높이기 위해, 탐색의 유연성을 허용하면서 강화 학습(RL)을 사람 시범에 가까운 상태로 안내하는 궤적 추종 보상을 제안합니다. 단일 시범을 넘어 학습하기 위해, 커리큘럼 학습을 사용하여 물체 자세 변화를 점진적으로 증가시켜 강건성을 높입니다. 배포 시, VLM은 사용자 지시에 따라 적절한 기술을 검색하여 저수준 학습 기술과 고수준 의도를 연결합니다. 시뮬레이션 및 실제 환경에서 AdaDexGrasp를 평가하여 제안된 접근 방식이 RL 효율성을 크게 향상시키고 다양한 물체 구성에 걸쳐 사람과 유사한 파지 전략을 학습할 수 있음을 보여줍니다. 마지막으로, 학습된 정책을 실제 PSYONIC Ability Hand로 제로샷 전이하여 물체에 대해 90%의 성공률을 달성하여 기준선을 크게 능가함을 보여줍니다.
