본 논문은 인간의 손-물체 데모로부터 물체 상태를 추적하는 숙련된 조작 정책을 학습하는 기능적 리타겟팅 문제를 연구합니다. 특히, 큰 행동 공간, 시공간적 불연속성, 그리고 인간과 로봇 손 사이의 구현 차이로 인해 어려운 장기간의 양손 작업과 관절이 있는 물체에 초점을 맞춥니다. 이를 위해 감소하는 강도를 가진 가상 물체 컨트롤러를 사용하는 새로운 커리큘럼 기반 알고리즘인 DexMachina를 제안합니다. 물체는 먼저 자동으로 목표 상태로 이동하여 정책이 동작 및 접촉 안내 하에 점진적으로 제어를 인수할 수 있도록 합니다. 다양한 작업과 숙련된 손을 포함하는 시뮬레이션 벤치마크를 공개하고, DexMachina가 기준 방법보다 훨씬 우수함을 보여줍니다. 본 알고리즘과 벤치마크는 하드웨어 설계에 대한 기능적 비교를 가능하게 하며, 정량적 및 정성적 결과를 바탕으로 주요 결과를 제시합니다. 최근 숙련된 손 개발의 급증과 함께, 본 연구는 바람직한 하드웨어 기능을 파악하고 미래 연구에 기여하는 장벽을 낮추는 유용한 플랫폼을 제공할 것으로 기대합니다.
